用于u“”字面值的编码

Question

考虑下一个例子：

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

我在idle中使用cp1251编码，但似乎解释器实际上使用latin1来创建unicode字符串：

^{pr2}$

为什么？这样的行为有规范吗？在

CPython，2.7。在

---

编辑

我要找的代码是

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

似乎在用latin1编解码器编码unicode时，所有小于256的unicode点都会像我之前输入的字节那样简单地保留下来。在

Answer 1

当您在终端中输入一个字符，如б，您会看到一个б，但真正输入的是一个字节序列。在

由于您的终端编码是cp1251，因此键入баба会导致字节序列等于在cp1251中编码的unicodeбаба：

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

（注意，我使用上面的utf-8，因为我的终端编码是utf-8，而不是{}。对我来说，"баба".decode('utf-8')只是баба的unicode

因为输入баба会产生字节序列\xe1\xe0\xe1\xe0，所以当您在终端中输入u"баба"时，Python会收到{}。这就是你看到的原因

^{pr2}$

这个unicode正好代表áàáà。在

当你打字的时候

>>> 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'，并用cp1251解码，从而打印баба：

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

尝试：

>>> s = "баба"

（没有u）而是。或者

>>> s = "баба".decode('cp1251')

使sunicode。或者，使用冗长但非常明确的（和终端编码不可知的）：

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

或者是简短但不容易理解

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