Python UTF-16 WAVY DASH 编码问题/问题

Question

我今天在做一些工作，遇到了一个“看起来很有趣”的问题。我一直将一些字符串数据解释为 utf-8，并检查编码形式。数据通过 python-ldap 来自 ldap（特别是 Active Directory）。那里没有什么惊喜。

所以我几次遇到了字节序列 '\xe3\x80\xb0'，当解码为 utf-8 时，它是 unicode 代码点 3030 (波浪破折号）。我需要utf-16的字符串数据，所以很自然地我通过.encode('utf-16')将其转换。不幸的是，似乎 python 不喜欢这个角色：

D:\> python
Python 2.6.4 (r264:75708, Oct 26 2009, 08:23:19) [MSC v.1500 32 bit (Intel)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> u"\u3030"
u'\u3030'
>>> u"\u3030".encode("utf-8")
'\xe3\x80\xb0'
>>> u"\u3030".encode("utf-16-le")
'00'
>>> u"\u3030".encode("utf-16-be")
'00'
>>> '\xe3\x80\xb0'.decode('utf-8')
u'\u3030'
>>> '\xe3\x80\xb0'.decode('utf-8').encode('utf-16')
'\xff\xfe00'
>>> '\xe3\x80\xb0'.decode('utf-8').encode('utf-16-le').decode('utf-8')
u'00'

看来 IronPython 也不是它的粉丝：

D:\ipy
IronPython 2.6 Beta 2 (2.6.0.20) on .NET 2.0.50727.3053
Type "help", "copyright", "credits" or "license" for more information.
>>> u"\u3030"
u'\u3030'
>>> u"\u3030".encode('utf-8')
u'\xe3\x80\xb0'
>>> u"\u3030".encode('utf-16-le')
'00'

如果有人能告诉我这里到底发生了什么，我将不胜感激。

Answer 1

这似乎是正确的行为。字符 u'\u3030' 在 UTF-16 中编码时与 UTF-8 中的 '00' 编码相同。看起来很奇怪，但却是正确的。

您可以看到的“\xff\xfe”只是一个字节顺序标记。

您确定想要波浪破折号，而不是其他字符吗？如果您希望使用不同的字符，那么可能是因为它在进入您的应用程序之前已经被错误编码。

Answer 2

但它解码正常：

>>> u"\u3030".encode("utf-16-le")
'00'
>>> '00'.decode("utf-16-le")
u'\u3030'

该字符的 UTF-16 编码恰好与“0”的 ASCII 代码一致。您也可以用 '\x30\x30' 表示它：

>>> '00' == '\x30\x30'
True

Answer 3

您对这里的两件事感到困惑（也让我失望）：

1. utf-16 和 utf-32 编码使用 BOM，除非您通过 utf-16-be 等指定要使用的字节顺序。这是倒数第二行中的 \xff\xfe。

2. “00”是两个字符数字零。它不是空字符。无论如何，打印结果会有所不同：

   <前><代码>>>> '\0\0'
   '\x00\x00'

Answer 4

上面的示例代码中有一个基本错误。请记住，您将 Unicode编码为编码字符串，然后将编码字符串解码为 Unicode。所以，你这样做：

'\xe3\x80\xb0'.decode('utf-8').encode('utf-16-le').decode('utf-8')

这转化为以下步骤：

'\xe3\x80\xb0' # (some string)
.decode('utf-8') # decode above text as UTF-8 encoded text, giving u'\u3030'
.encode('utf-16-le') # encode u'\u3030' as UTF-16-LE, i.e. '00'
.decode('utf-8') # OOPS! decode using the wrong encoding here!

u'\u3030'确实在UTF-16LE中被编码为'00'（ascii零两次），但你不知何故认为这是一个空字节（'\0'）或某物。

请记住，如果使用一种编码进行编码并使用另一种编码进行解码，则无法到达相同的字符：

>>> import unicodedata as ud
>>> c= unichr(193)
>>> ud.name(c)
'LATIN CAPITAL LETTER A WITH ACUTE'
>>> ud.name(c.encode("cp1252").decode("cp1253"))
'GREEK CAPITAL LETTER ALPHA'

在此代码中，我编码为 Windows-1252 并从 Windows-1253 解码。在您的代码中，您编码为 UTF-16LE 并从 UTF-8 解码。