如何将 Unicode 转换为大写以打印？

Question

我有这个：

>>> print 'example'
example
>>> print 'exámple'
exámple
>>> print 'exámple'.upper()
EXáMPLE

我需要做什么来打印：

EXÁMPLE

（其中“a”得到其精确的重音，但为大写。）

我正在使用Python 2.6。

Answer 1

我认为这就像不首先转换为 ASCII 一样简单。

 >>> print u'exámple'.upper()
 EXÁMPLE

Answer 2

在 python 2.x 中，只需在调用 upper() 之前将字符串转换为 unicode 即可。 使用您的代码（在此网页上为 utf-8 格式）：

>>> s = 'exámple'
>>> s
'ex\xc3\xa1mple'  # my terminal is not utf8. c3a1 is the UTF-8 hex for á
>>> s.decode('utf-8').upper()
u'EX\xc1MPLE'  # c1 is the utf-16 aka unicode for á

对 decode 的调用将其从当前格式转换为 unicode。 然后，您可以使用编码将其转换为其他格式，例如 utf-8。 如果字符是 iso-8859-2（在本例中为捷克语等），则可以使用 s.decode('iso-8859-2').upper() 。

就我而言，如果您的终端不兼容 unicode/utf-8，那么您最好希望的是字符的十六进制表示形式（如我的）或使用 s.decode('utf -8').upper().encode('ascii', 'replace')，结果为 'EX?MPLE'。 如果您无法使终端显示 unicode，请将输出写入 utf-8 格式的文件，然后在您喜欢的编辑器中打开该文件。

Answer 3

首先，我这些天只使用 python 3.1； 它的核心优点是消除了 unicode 对象中字节字符串的歧义。 这使得绝大多数文本操作比以前安全得多。 考虑到数万亿个有关 python 2.x 编码问题的用户问题，python 2.1 的 u'äbc 约定只是一个错误； 有了明确的bytes和bytearray，生活变得更加容易。

其次，如果 py3k 不适合您，请尝试使用 from __future__ import unicode_literals，因为这将模仿 py3k 在 python 2.6 和 2.7 上的行为。 这件事可以避免您在说 print 'exámple'.upper() 时犯的（很容易犯的）错误。 本质上，这与 py3k 中的相同：print( 'exámple'.encode( 'utf-8' ).upper() )。 比较这些版本（对于 py3k）：

print( 'exámple'.encode( 'utf-8' ).upper() )
print( 'exámple'.encode( 'utf-8' ).upper().decode( 'utf-8' ) )
print( 'exámple'.upper() )

第一个版本基本上是使用裸字符串 'exámple' 时所做的操作，前提是将默认编码设置为 utf-8 > （根据 BDFL 声明，在运行时设置默认编码是一个坏主意，因此在 py2 中，您必须通过说 import sys; reload( sys ); sys.setdefaultencoding( 'utf- 8' ); 我在下面为 py3k 提供了一个更好的解决方案）。 当您查看这三行的输出时：

b'EX\xc3\xa1MPLE'
EXáMPLE
EXÁMPLE

您可以看到，当 upper() 应用于第一个文本时，它作用于字节，而不是字符。 python 允许对字节使用 upper() 方法，但它仅在字节的 US-ASCII 解释上定义。 由于 utf-8 使用 US-ASCII 8 位之内但之外的值（128 到 255，US-ASCII 不使用），因此这些值不会被受 upper() 影响，因此当我们在第二行解码时，我们得到小写的 á。 最后，第三行做得对，是的，令人惊讶的是，python 似乎知道 Á 是与 á 对应的大写字母。 我进行了一个快速测试，看看 python 3 不会在大小写之间转换哪些字符：

for cid in range( 3000 ):
  my_chr = chr( cid )
  if my_chr == my_chr.upper() and my_chr == my_chr.lower():
    say( my_chr )

仔细阅读列表，发现拉丁字母、西里尔字母或希腊字母的出现率非常低； 大部分输出是非欧洲字符和标点符号。 我能发现 python 出错的唯一字符是 °/° (\u0524, \u0525, '西里尔字母 {大写|小} 字母 pe 带下行字母')，所以只要你留在拉丁扩展 X 块之外 (查看这些，它们可能会带来惊喜），您可能实际上会使用该方法。 当然，我没有检查映射的正确性。

最后，这是我放入 py3k 应用程序启动部分的内容：一种重新定义 sys.stdout 所看到的编码的方法，以数字字符引用（NCR）作为后备； 这会导致打印到标准输出永远不会引发 unicode 编码错误。 当我在 ubuntu 上工作时，_sys.stdout.encoding 是 utf-8； 当同一个程序在 Windows 上运行时，它可能是像 cp850 这样奇怪的东西。 输出可能看起来很奇怪，但应用程序运行时不会在那些愚蠢的终端上引发异常。

#===========================================================================================================
# MAKE STDOUT BEHAVE IN A FAILSAFE MANNER
#-----------------------------------------------------------------------------------------------------------
def _harden_stdout():
  """Ensure that unprintable output to STDOUT does not cause encoding errors; use XML character references
  so any kind of output gets a chance to render in a decipherable way."""
  global _sys_TRM
  _sys.stdout       = _sys_TRM = _sys_io.TextIOWrapper(
    _sys.stdout.buffer,
    encoding        = _sys.stdout.encoding,
    errors          = 'xmlcharrefreplace',
    line_buffering  = true )
#...........................................................................................................
_harden_stdout()

还有一条建议：测试时，始终尝试打印 repr( x ) 或类似的东西来揭示 x 的身份。 如果您只是在 py2 中 print x 并且 x 是一个八位字节字符串或一个 unicode 对象，则可能会出现各种误解。 这是非常令人费解的，并且很容易引起很多人的困惑。 正如我所说，尝试至少使用来自未来的 import unicode 文字咒语移动到 py26。

最后，引用一句话：“Glyph Lefkowitz 在他的文章 编码 中说得最好：

我相信在这种背景下
讨论中，术语“字符串”是
无意义的。 有文字，就有
是面向字节的数据（这可能很
很好地代表了文本，但还没有
转换为它）。 在 Python 类型中，
文本是unicode。 数据是str。 这个想法
“非 Unicode 文本”只是一个
编程错误正在等待发生。”

更新：刚刚发现 python 3 在大写时正确地将 ſ LATIN SMALL LETTER LONG S 转换为 S。整洁！

Answer 4

我认为我们在这里缺少一些背景知识：

>>> type('hello')
<type 'str'>

>>> type(u'hello')
<type 'unicode'>

只要您使用“unicode”字符串而不是“本机”字符串，像 upper() 这样的运算符就会在考虑到 unicode 的情况下进行操作。 FWIW，Python 3 默认使用 unicode，这使得区别在很大程度上无关紧要。

将字符串从 unicode 转换为 str，然后再返回 unicode 在很多方面都不是最优的，并且如果需要，许多库都会生成 unicode 输出; 因此，只要有可能，请尝试在内部仅对字符串使用 unicode 对象。

Answer 5

尝试一下：

s = 'exámple'
print unicode(s).upper()