Diferencia entre revisiones de «Usuario:Lmorillas/intropyaytozgz/unicode»

De WikiEducator
Saltar a: navegación, buscar
Línea 34: Línea 34:
 
>>> len(aragon_uni)
 
>>> len(aragon_uni)
 
6
 
6
 +
</source>
 
}}
 
}}
  
Línea 42: Línea 43:
 
s.decode(encoding)
 
s.decode(encoding)
 
# <type 'str'> to <type 'unicode'>
 
# <type 'str'> to <type 'unicode'>
 +
>>> 'caña'.decode()
 +
Traceback (most recent call last):
 +
  File "<stdin>", line 1, in <module>
 +
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 2: ordinal not in range(128)
 +
>>> 'caña'.decode(errors='ignore')
 +
u'caa'
 +
>>> 'caña'.decode(errors='replace')
 +
u'ca\ufffd\ufffda'
 +
>>> 'caña'.decode('utf-8')
 +
u'ca\xf1a'
  
 
u.encode(encoding)
 
u.encode(encoding)
 
# <type 'unicode'> to <type 'str'>
 
# <type 'unicode'> to <type 'str'>
 +
>>> u'caña'.encode('ascii', 'ignore')
 +
'caa'
 +
>>> u'caña'.encode('ascii', 'replace')
 +
'ca?a'
 +
>>> u'caña'.encode('ascii')
 +
Traceback (most recent call last):
 +
  File "<stdin>", line 1, in <module>
 +
UnicodeEncodeError: 'ascii' codec can't encode character u'\xf1' in position 2: ordinal not in range(128)
 +
>>> u'caña'.encode('utf-8')
 +
'ca\xc3\xb1a'
 
</source>
 
</source>
  
Línea 63: Línea 84:
 
</source>
 
</source>
 
}}
 
}}
 +
 +
open(filename, mode='rb', encoding=None, errors='strict', buffering=1)

Revisión de 08:48 3 dic 2012



Icon preknowledge.gif

Conocimiento previo

Una cadena Unicode es una secuencia de code points, que son números de 0 a 0x10ffff. Esta secuencia se tiene que representar en un conjunto de bytes (valores de 0 a 255) en memoria. Las reglas para traducir una cadena Unicode a una secuencia de bytes se llama encoding.





Icon objectives.jpg

El problema

¿Qué significa esto?

 UnicodeDecodeError: 'ascii' codec
 can't decode byte 0xc4 in position
 10: ordinal not in range(128)
>>> f = open('aragon.txt')
>>> aragon_utf8 = f.read()
>>> aragon_utf8
'Arag\xc3\xb3n'
>>> len(aragon_utf8)
7
>>>type(aragon_utf8)
<type 'str'>
>>> unicode(aragon_utf8)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 4: 
ordinal not in range(128)
 
# el problema: 
>>> sys.getdefaultencoding()
'ascii'
 
>>> aragon_uni = aragon_utf8.decode('utf-8')
>>> aragon_uni
u'Arag\xf3n'
>>> len(aragon_uni)
6


{{Objetivo|Title=Conversión y codificación|

s.decode(encoding)
# <type 'str'> to <type 'unicode'>
>>> 'caña'.decode()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 2: ordinal not in range(128)
>>> 'caña'.decode(errors='ignore')
u'caa'
>>> 'caña'.decode(errors='replace')
u'ca\ufffd\ufffda'
>>> 'caña'.decode('utf-8')
u'ca\xf1a'
 
u.encode(encoding)
# <type 'unicode'> to <type 'str'>
>>> u'caña'.encode('ascii', 'ignore')
'caa'
>>> u'caña'.encode('ascii', 'replace')
'ca?a'
>>> u'caña'.encode('ascii')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode character u'\xf1' in position 2: ordinal not in range(128)
>>> u'caña'.encode('utf-8')
'ca\xc3\xb1a'


Icon objectives.jpg

Normalizar cadena

import unicodedata
 
def textoplano(s):
 
    def normalize(c):
        return unicodedata.normalize("NFD", c)[0]  # NFD: Normal Form Decomposition 
 
    return ''.join(normalize(c) for c in s)
 
>>> textoplano('una cigüeña hábil')
"una ciguena habil"


open(filename, mode='rb', encoding=None, errors='strict', buffering=1)