Question

以下是我打开，阅读和输出的方式。该文件是用于unicode字符的UTF-8编码文件。我想打印前10个UTF-8字符，但下面代码片段的输出打印出10个奇怪的无法识别的字符。想知道是否有人有任何想法如何正确打印？感谢。

   with open(name, 'r') as content_file:
        content = content_file.read()
        for i in range(10):
            print content[i]

每个10个奇怪的角色都是这样的，

�

的问候，林

Answer 1

当Unicode代码点（字符）编码为UTF-8时，某些代码点会转换为单个字节，但许多代码点会变成多个字节。标准7位ASCII范围中的字符将被编码为单个字节，但更奇特的字符通常需要更多字节来编码。

因此，您正在获取那些奇怪的字符，因为您将这些多字节UTF-8序列分解为单个字节。有时这些字节将对应于正常的可打印字符，但通常它们不会因此而是打印出来。

这是一个使用©，®和™字符的简短演示，它们分别以UTF-8编码为2,2和3个字节。我的终端设置为使用UTF-8。

utfbytes = "\xc2\xa9 \xc2\xae \xe2\x84\xa2"
print utfbytes, len(utfbytes)
for b in utfbytes:
    print b, repr(b)

uni = utfbytes.decode('utf-8')
print uni, len(uni)

<强>输出

Stack Overflow联合创始人Joel Spolsky撰写了一篇关于Unicode的好文章：The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)

您还应该查看Python文档中的Unicode HOWTO文章和Ned Batchelder的Pragmatic Unicode文章，即“Unipain”。

这是从UTF-8编码的字节串中提取单个字符的简短示例。正如我在评论中提到的，为了正确地执行此操作，您需要知道每个字符编码为多少字节。

utfbytes = "\xc2\xa9 \xc2\xae \xe2\x84\xa2"
widths = (2, 1, 2, 1, 3)
start = 0
for w in widths:
    print "%d %d [%s]" % (start, w, utfbytes[start:start+w])
    start += w

<强>输出

0 2 [©]
2 1 [ ]
3 2 [®]
5 1 [ ]
6 3 [™]

FWIW，这是该代码的Python 3版本：

utfbytes = b"\xc2\xa9 \xc2\xae \xe2\x84\xa2"
widths = (2, 1, 2, 1, 3)
start = 0
for w in widths:
    s = utfbytes[start:start+w]
    print("%d %d [%s]" % (start, w, s.decode()))
    start += w

如果我们不知道UTF-8字符串中字符的字节宽度，那么我们需要做更多的工作。每个UTF-8序列在第一个字节中编码序列的宽度，如the Wikipedia article on UTF-8中所述。

以下Python 2演示展示了如何提取宽度信息;它产生与前两个片段相同的输出。

# UTF-8 code widths
#width starting byte
#1 0xxxxxxx
#2 110xxxxx
#3 1110xxxx
#4 11110xxx
#C 10xxxxxx

def get_width(b):
    if b <= '\x7f':
        return 1
    elif '\x80' <= b <= '\xbf':
        #Continuation byte
        raise ValueError('Bad alignment: %r is a continuation byte' % b)
    elif '\xc0' <= b <= '\xdf':
        return 2
    elif '\xe0' <= b <= '\xef':
        return 3
    elif '\xf0' <= b <= '\xf7':
        return 4
    else:
        raise ValueError('%r is not a single byte' % b)


utfbytes = b"\xc2\xa9 \xc2\xae \xe2\x84\xa2"
start = 0
while start < len(utfbytes):
    b = utfbytes[start]
    w = get_width(b)
    s = utfbytes[start:start+w]
    print "%d %d [%s]" % (start, w, s)
    start += w

通常，不必须做这样的事情：只使用提供的解码方法。

对于好奇，这是一个{3}的Python 3版本，以及一个手动解码UTF-8字节串的函数。

get_width

<强>输出

©®™
©®™

Answer 2

要将Unicode字符串输出到文件或控制台，您需要选择文本编码。在Python中，默认文本编码是ASCII，但是为了支持其他字符，您需要使用不同的编码，例如UTF-8：

s = unicode(your_object).encode('utf8')
print s

在Python 2.7

2 个答案: