Question

我对Python很陌生，所以我的问题可能很愚蠢，但即使阅读了很多主题，我也没有找到问题的答案。

我有一个混合源文档，其中包含html，xml，latex和其他textformats，我尝试使用仅限乳胶的格式。

因此，我使用python将不同的命令识别为常规表达式，并用适当的latex命令替换它们。到目前为止，一切都很顺利。

现在我留下了一些“原始类型”的Unicode标志，例如希腊字母。不幸的是，手工做很多事情。因此，我正在寻找一种以聪明的方式做到这一点的方法。有没有办法让Python识别/阅读它们？我如何告诉python识别/读取例如Pi写成希腊字母？

我使用的代码的最小示例是：

fh = open('SOURCE_DOCUMENT','r')
stuff = fh.read()
fh.close()

new_stuff = re.sub('READ','REPLACE',stuff)
fh = open('LATEX_DOCUMENT','w')
fh.write(new_stuff)
fh.close()

我不确定它是否是重要信息，但我在Windows上运行Python 2.6。

如果有人能够给我提示，至少在哪里找到相关信息或者这可能如何起作用，我会很高兴。或者我是否完全错了，Python无法完成这项工作......

非常感谢提前干杯，
布丽塔

Answer 1

你谈到的是``raw''Unicode字符串。那是什么意思？ Unicode本身不是一种编码，但存储Unicode字符有不同的编码（Joel读this post）。

Python 3.0中的open函数采用可选的encoding参数，允许您指定编码，例如UTF-8（一种非常常见的Unicode编码方式）。在Python 2.x中，查看codecs模块，它还提供了一个open函数，允许指定文件的编码。

编辑：或者，为什么不让那些可怜的角色出现，并在顶部指定LaTeX文件的编码：

\usepackage[utf8]{inputenc}

（我从未尝试过这个，但我觉得它应该有效。你may需要utf8取代utf8x，但是）

Answer 2

首先，请阅读：

The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)

然后，回来问问题。

Answer 3

您需要确定输入文档的“编码”。 Unicode可以编码数百万个字符，但文件只能记录8位值（0-255）。因此必须以某种方式对Unicode文本进行编码。

如果文档是XML，它应该在第一行（encoding =“...”;如果没有“encoding”字段，则“utf-8”是默认值）。对于HTML，请查找“charset”。

如果所有其他方法都失败，请在编辑器中打开文档，您可以在其中设置编码（例如jEdit）。尝试它们直到文本看起来正确。然后将此值用作Python中encoding的{{1}}参数。

在Python中读取“原始”Unicode字符串

3 个答案: