python-3.x - Python 3 - 如果一个字符串只包含 ASCII，它是否等于字符串的字节数？

Question

考虑 Python 3 SMTPD - 接收到的数据包含在一个字符串中。 http://docs.python.org/3.4/library/smtpd.html引用:“数据是包含电子邮件内容的字符串”

事实(正确？):

• Python 3 中的字符串是 Unicode。
• 电子邮件始终为 ASCII。
• 纯 ASCII 是有效的 Unicode。

因此传入的电子邮件是纯 ASCII(这是有效的 Unicode)，因此 SMTPD DATA 字符串与 SMPTD 接收到的原始字节完全相同。这是正确的吗？

因此我的问题是，如果我将 SMTPD DATA 字符串解码为 ASCII，或将 DATA 字符串转换为字节，这是否等同于通过 SMTP 到达的实际电子邮件消息的字节？

上下文(也许是一个更好的问题)是“我如何将 Python 3 的 SMTPD 数据准确地保存到文件中，作为接收到的字节？”我担心的是，当 DATA 通过字符串到字节的转换时，它以某种方式从通过 SMTP 到达的原始字节发生了变化。

编辑:似乎 Python 开发人员认为 SMTPD 无论如何都应该返回二进制数据。似乎没有被修复... http://bugs.python.org/issue19662

Answer 1

if a string contains only ASCII, is it equal to the string as bytes?

没有。它在 Python 3 中不相等:

>>> '1' == b'1'
False

bytes 对象不等于 str(Unicode 字符串)对象，类似于整数不等于字符串:

>>> '1' == 1
False

在某些编程语言中，上述比较是正确的，例如在 Python 2 中:

>>> b'1' == u'1'
True

和 Perl 中的 1 == '1':

$ perl -e "print qq(True\n) if 1 == q(1)"
True

您的问题很好地说明了为什么更严格 Python 3 行为更可取。它迫使程序员直面他们对文本/字节的误解，而不必等待他们的代码因某些输入而中断。

---

• Strings in Python 3 are Unicode.

是的。 Strings are immutable sequences of Unicode code points在 Python 3 中。

• Emails are always ASCII.

大多数电子邮件以 7 位消息的形式传输(ASCII 范围:十六进制 00-7F)。虽然 "virtually all modern email servers are 8-bit clean."即，8 位内容不会被破坏。和 8BITMIME extension制裁某些 8 位内容的传递。

换句话说:电子邮件不总是ASCII。

• Pure ASCII is valid Unicode.

ASCII 是一种字符编码。您可以使用 US-ASCII 字符编码解码 一些 字节序列为 Unicode。 Unicode 字符串没有关联的字符编码，即您可以使用任何可以表示相应 Unicode 代码点的字符编码将它们编码为字节。

Therefore the email that came in is pure ASCII (which is valid Unicode), therefore the SMTPD DATA string is exactly equivalent to the original bytes received by SMPTD. Is this correct?

如果输入在 ascii 范围内，则 data.decode('ascii', 'strict').encode('ascii') == data。虽然 Lib/smtpd.py对输入数据进行一些转换(根据 RFC 5321)，因此即使输入是纯 ASCII，您作为 data 获得的内容也可能不同。

---

"How do I save to a file Python 3's SMTPD DATA as PRECISELY the bytes that were received?"

my goal is not to find malformed emails but to save inbound emails to disk in precisely the binary/bytes form that they arrived.

您链接的错误 (smtpd.py should not decode utf-8) 使 smptd.py 成为非 8 位干净的。

你可以覆盖 SMTPChannel.collect_incoming_data method from smtpd.py按原样保存传入字节。

---

"A string of ASCII text is also valid UTF-8 text."

这是真的。这是 UTF-8 编码的一个很好的特性。如果您可以使用 US-ASCII 字符编码将字节序列解码为 Unicode，那么您也可以使用 UTF-8 字符编码解码字节(两种情况下生成的 Unicode 代码点相同)。

smptd.py 应该使用 latin1(它解码任何字节序列)或 ascii(使用“严格”错误处理程序失败在任何非 ascii 字节上)而不是 utf-8(它允许一些非 ascii 字节——不好)。

请记住:

• 一些电子邮件的字节可能超出 ascii 范围
• 根据 RFC 5321 的去透明度不会按原样保留输入字节，即使它们都在 ascii 范围内也是如此