有没有办法在Python 2.7中找到角色的Unicode代码点？

Question

我正在使用我的Python程序中的国际音标（IPA）符号，这是一组相当奇怪的字符，其UTF-8代码的范围可以是1到3个字节。 几年前这个线程基本上问了相反的问题，似乎ord(character)可以检索一个十进制数，我可以转换为十六进制，然后转换为代码点，但ord()的输入似乎仅限于一个字节。 如果我在任何非ASCII字符上尝试ord() ，例如ɨ ，它输出：

TypeError: ord() expected a character, but a string of length 2 found

由于这不再是一个选项，Python 2.7中是否有任何方法可以找到给定字符的Unicode代码点？ （那么这个角色必须是unicode类型吗？）我不是指在Unicode表上手动查找它。

Answer 1

由于这不再是一个选项，Python 2.7中是否有任何方法可以找到给定字符的Unicode代码点？ （那么这个角色必须是unicode类型吗？）我不是指在Unicode表上手动查找它。

您只能找到unicode对象的unicode代码点。 要将字节字符串转换为unicode对象，请使用mystr.decode(encoding)对其进行解码，其中encoding是字符串的编码。 （你知道你的字符串的编码，对吗？它可能是UTF-8。:-)然后你可以根据你已经找到的指令使用ord 。

>>> ord(b"ɨ".decode('utf-8'))
616

顺便说一句，从你的问题来看，听起来你正在使用UTF-8编码字节形式的字符串。 这可能会很痛苦。 您应该在获得它们后立即将字符串解码为unicode对象，并且只有在需要将它们输出到某处时才对它们进行编码。

Answer 2

这实际上是Python 2中的一个错误，取决于它的构建方式，对于BMP之外的unicode字符（> = 0xFFFF）; 请参阅： https ： //bugs.python.org/issue8670#msg105656

例如，这有效：

>>> ord('\uffff')
65535
>>> len('\uffff')
1

但这不是：

>>> ord(u'\U00010000')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: ord() expected a character, but string of length 2 found

更令人惊讶的是：

>>> len(u'\U00010000')
2

这是因为曾经有过“狭义”的Python构建与“宽”构建。 在“窄”构建中，unicode字符串在内部用UCS2表示（因此使用较少的内存，但必须使用两个UCS2字符（“代理对”）来表示U + FFFF以上的字符），而在“宽”构建中，UCS4是内部用于unicode字符串，你不会有这个问题。

在较新版本的Python 3中（我认为自3.2或3.3以来我不记得了）这不再是一个问题而且情况要好得多。 最简单的检查方法是使用sys.maxunicode ，它在窄版本上将是0xffff 。

这个答案演示了如何从狭义构建中的代理对中提取序数。

Answer 3

>>> u'ɨ'
u'\u0268'
>>> u'i'
u'i'
>>> 'ɨ'.decode('utf-8')
u'\u0268'