Question

考虑下一个例子：

>>> s = u"баба"
>>> s
u'\xe1\xe0\xe1\xe0'
>>> print s
áàáà

我在空闲时使用cp1251编码，但似乎解释器实际上使用latin1来创建unicode字符串：

>>> print s.encode('latin1')
баба

为什么这样？是否存在此类行为的规范？

CPython，2.7。

修改

我实际需要的代码是

>>> u'\xe1\xe0\xe1\xe0' == u'\u00e1\u00e0\u00e1\u00e0'
True

似乎在使用latin1编解码器对unicode进行编码时，所有的unicode点都会少于256，因此会产生我之前键入的字节。

Answer 1

当您在终端中键入б等字符时，会看到б，但实际输入的是一个字节序列。

由于您的终端编码为cp1251，因此输入баба会导致字节序列等于баба中编码的unicode cp1251：

In [219]: "баба".decode('utf-8').encode('cp1251')
Out[219]: '\xe1\xe0\xe1\xe0'

（注意我上面使用utf-8因为我的终端编码是utf-8，而不是cp1251。对我来说，"баба".decode('utf-8')只是баба的unicode。）

由于键入баба会产生字节序列\xe1\xe0\xe1\xe0，因此当您在终端中键入u"баба"时，Python会收到u'\xe1\xe0\xe1\xe0'。这就是你看到

的原因

>>> s
u'\xe1\xe0\xe1\xe0'

此unicode恰好代表áàáà。

当你输入

>>> print s.encode('latin1')

latin1编码将u'\xe1\xe0\xe1\xe0'转换为'\xe1\xe0\xe1\xe0'。终端接收字节序列'\xe1\xe0\xe1\xe0'，并使用cp1251对其进行解码，从而打印баба：

In [222]: print('\xe1\xe0\xe1\xe0'.decode('cp1251'))
баба

尝试：

>>> s = "баба"

（不包括u）。或者，

>>> s = "баба".decode('cp1251')

制作s unicode。或者，使用详细但非常明确的（和 终端编码不可知 ）：

>>> s = u'\N{CYRILLIC SMALL LETTER BE}\N{CYRILLIC SMALL LETTER A}\N{CYRILLIC SMALL LETTER BE}\N{CYRILLIC SMALL LETTER A}'

或简短但不太容易理解的

>>> s = u'\u0431\u0430\u0431\u0430'