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

De WikiEducator
Saltar a: navegación, buscar
Línea 1: Línea 1:
 
{{MiTitulo|Unicode y encodings}}
 
{{MiTitulo|Unicode y encodings}}
  
{{Conocimiento previo|
+
{{Conocimiento previo|TOCdept=2|
 
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'''.
 
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'''.
 
}}
 
}}
  
  
{{Objetivo|Title=El problema|
+
{{Objetivo|Title=El problema|TOCdept=2|
 
'''¿Qué significa esto?'''
 
'''¿Qué significa esto?'''
 
   UnicodeDecodeError: 'ascii' codec
 
   UnicodeDecodeError: 'ascii' codec
Línea 38: Línea 38:
  
  
{{Objetivo|Title=Conversión y codificación|
+
{{Objetivo|Title=Conversión y codificación|TOCdept=2|
  
 
<source lang="python">
 
<source lang="python">
Línea 70: Línea 70:
  
  
{{Objetivo|Title=Normalizar cadena|
+
{{Objetivo|Title=Normalizar cadena|TOCdept=2|
 
<source lang="python">
 
<source lang="python">
 
import unicodedata
 
import unicodedata
Línea 87: Línea 87:
 
}}
 
}}
  
open(filename, mode='rb', encoding=None, errors='strict', buffering=1)
+
{{Objetivo|Title=Ficheros con codecs|TOCdept=2|
 +
 
 +
open(filename, mode='rb', encoding=None, errors='strict', buffering=1)
 +
 
 +
}}
 +
 
 +
{{Objetivo|Title=Recomendaciones|TOCdept=2|
 +
# Decodificar pronto  (encoding --> unicode)
 +
# Usar unicode siempre que sea posible
 +
# Volver a codificar al final a un encoding
 +
}}

Revisión de 08:55 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



Icon objectives.jpg

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"



Icon objectives.jpg

Ficheros con codecs

{{{1}}}



Icon objectives.jpg

Recomendaciones

  1. Decodificar pronto (encoding --> unicode)
  2. Usar unicode siempre que sea posible
  3. Volver a codificar al final a un encoding