Python: conversione da ISO-8859-1 / latin1 a UTF-8

Ho questa stringa che è stata decodificata da Quoted-printable a ISO-8859-1 con il modulo di posta elettronica. Questo mi dà stringhe come "\ xC4pple" che corrisponderebbe a "Äpple" (Apple in svedese). Tuttavia, non riesco a convertire quelle stringhe in UTF-8.

>>> apple = "\xC4pple"
>>> apple
'\xc4pple'
>>> apple.encode("UTF-8")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in     range(128)

Cosa dovrei fare?

Prova prima a decodificarlo, quindi a codificare:

apple.decode('iso-8859-1').encode('utf8')

Questo è un problema comune, quindi ecco un'illustrazione relativamente completa.

Per le stringhe non Unicode (cioè quelle senza uprefisso come u'\xc4pple'), è necessario decodificare dalla codifica nativa ( iso8859-1/ latin1, a meno che non sia modificata con lasys.setdefaultencoding funzione enigmatica ) a unicode, quindi codificare in un set di caratteri che può visualizzare i caratteri desiderati, in questo caso io lo consiglierei UTF-8.

Innanzitutto, ecco una pratica funzione di utilità che aiuterà a illuminare i modelli di stringa Python 2.7 e unicode:

>>> def tell_me_about(s): return (type(s), s)

Una semplice stringa

>>> v = "\xC4pple" # iso-8859-1 aka latin1 encoded string

>>> tell_me_about(v)
(<type 'str'>, '\xc4pple')

>>> v
'\xc4pple'        # representation in memory

>>> print v
?pple             # map the iso-8859-1 in-memory to iso-8859-1 chars
                  # note that '\xc4' has no representation in iso-8859-1, 
                  # so is printed as "?".

Decodifica di una stringa iso8859-1: converti una stringa semplice in unicode

>>> uv = v.decode("iso-8859-1")
>>> uv
u'\xc4pple'       # decoding iso-8859-1 becomes unicode, in memory

>>> tell_me_about(uv)
(<type 'unicode'>, u'\xc4pple')

>>> print v.decode("iso-8859-1")
Äpple             # convert unicode to the default character set
                  # (utf-8, based on sys.stdout.encoding)

>>> v.decode('iso-8859-1') == u'\xc4pple'
True              # one could have just used a unicode representation 
                  # from the start

Un po 'più di illustrazione - con "Ä"

>>> u"Ä" == u"\xc4"
True              # the native unicode char and escaped versions are the same

>>> "Ä" == u"\xc4"  
False             # the native unicode char is '\xc3\x84' in latin1

>>> "Ä".decode('utf8') == u"\xc4"
True              # one can decode the string to get unicode

>>> "Ä" == "\xc4"
False             # the native character and the escaped string are
                  # of course not equal ('\xc3\x84' != '\xc4').

Codifica in UTF

>>> u8 = v.decode("iso-8859-1").encode("utf-8")
>>> u8
'\xc3\x84pple'    # convert iso-8859-1 to unicode to utf-8

>>> tell_me_about(u8)
(<type 'str'>, '\xc3\x84pple')

>>> u16 = v.decode('iso-8859-1').encode('utf-16')
>>> tell_me_about(u16)
(<type 'str'>, '\xff\xfe\xc4\x00p\x00p\x00l\x00e\x00')

>>> tell_me_about(u8.decode('utf8'))
(<type 'unicode'>, u'\xc4pple')

>>> tell_me_about(u16.decode('utf16'))
(<type 'unicode'>, u'\xc4pple')

Relazione tra unicode e UTF e latin1

>>> print u8
Äpple             # printing utf-8 - because of the encoding we now know
                  # how to print the characters

>>> print u8.decode('utf-8') # printing unicode
Äpple

>>> print u16     # printing 'bytes' of u16
���pple

>>> print u16.decode('utf16')
Äpple             # printing unicode

>>> v == u8
False             # v is a iso8859-1 string; u8 is a utf-8 string

>>> v.decode('iso8859-1') == u8
False             # v.decode(...) returns unicode

>>> u8.decode('utf-8') == v.decode('latin1') == u16.decode('utf-16')
True              # all decode to the same unicode memory representation
                  # (latin1 is iso-8859-1)

Eccezioni Unicode

 >>> u8.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 0:
  ordinal not in range(128)

>>> u16.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xff in position 0:
  ordinal not in range(128)

>>> v.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0:
  ordinal not in range(128)

Si potrebbero aggirare questi convertendo dalla codifica specifica (latin-1, utf8, utf16) ad es u8.decode('utf8').encode('latin1'). Unicode .

Quindi forse si potrebbero trarre i seguenti principi e generalizzazioni:

• un tipo strè un insieme di byte, che può avere una delle numerose codifiche come Latin-1, UTF-8 e UTF-16
• un tipo unicodeè un insieme di byte che può essere convertito in un numero qualsiasi di codifiche, più comunemente UTF-8 e latin-1 (iso8859-1)
• il printcomando ha una propria logica per la codifica , impostata susys.stdout.encoding su UTF-8 e di default
• È necessario decodificare un strin Unicode prima di convertirlo in un'altra codifica.

Ovviamente, tutto questo cambia in Python 3.x.

Spero che sia illuminante.

Ulteriore lettura

• Caratteri contro byte , di Tim Bray.

E gli sproloqui molto illustrativi di Armin Ronacher:

• La guida aggiornata a Unicode su Python (2 luglio 2013)
• Ulteriori informazioni su Unicode in Python 2 e 3 (5 gennaio 2014)
• UCS vs UTF-8 come codifica stringa interna (9 gennaio 2014)
• Tutto quello che non volevi sapere su Unicode in Python 3 (12 maggio 2014)

Per Python 3:

bytes(apple,'iso-8859-1').decode('utf-8')

L'ho usato per un testo codificato in modo errato come iso-8859-1 (che mostra parole come VeÅ \ x99ejné ) invece di utf-8. Questo codice produce la versione corretta Veřejné .

Decodifica in Unicode, codifica i risultati in UTF8.

apple.decode('latin1').encode('utf8')

concept = concept.encode('ascii', 'ignore') 
concept = MySQLdb.escape_string(concept.decode('latin1').encode('utf8').rstrip())

Lo faccio, non sono sicuro che sia un buon approccio ma funziona sempre !!