如何使用Python将带有cp1252字符的unicode字符串转换成UTF8？

Question

我正在通过一个API获取文本，该API返回带有windows编码的撇号（\x92）的字符：

> python
>>> title = u'There\x92s thirty days in June'
>>> title
u'There\x92s thirty days in June'
>>> print title
Theres thirty days in June
>>> type(title)
<type 'unicode'>

我试图将这个字符串转换成UTF-8，这样它就会返回：“六月有三十天”

当我试图解码或编码这个unicode字符串时，它会抛出一个错误：

^{pr2}$

如果我将字符串初始化为纯文本，然后对其进行解码，则可以：

>>>title = 'There\x92s thirty days in June'
>>> type(title)
<type 'str'>
>>>print title.decode('cp1252')
There’s thirty days in June

我的问题是如何将得到的unicode字符串转换成纯文本字符串以便解码？在

Answer 1

似乎您的字符串是用latin1（因为它是unicode类型）解码的

1. 要将其转换回原来的字节，需要使用该编码（latin1）对其进行编码
2. 然后为了得到文本（unicode），你必须使用正确的编解码器（cp1252）解码
3. 最后，如果你想得到utf-8字节，你必须使用UTF-8编解码器对进行编码。在

代码：

>>> title = u'There\x92s thirty days in June'
>>> title.encode('latin1')
'There\x92s thirty days in June'
>>> title.encode('latin1').decode('cp1252')
u'There\u2019s thirty days in June'
>>> print(title.encode('latin1').decode('cp1252'))
There’s thirty days in June
>>> title.encode('latin1').decode('cp1252').encode('UTF-8')
'There\xe2\x80\x99s thirty days in June'
>>> print(title.encode('latin1').decode('cp1252').encode('UTF-8'))
There’s thirty days in June

取决于API是接受文本（unicode）还是bytes，3。可能没有必要。在