为什么python2和python3的print输出同一个字符串不同？

Question

在python2中：

$ python2 -c 'print "\x08\x04\x87\x18"' | hexdump -C
00000000  08 04 87 18 0a                                    |.....|
00000005

在python3中：

$ python3 -c 'print("\x08\x04\x87\x18")' | hexdump -C
00000000  08 04 c2 87 18 0a                                 |......|
00000006

为什么这里有字节"\\xc2" ？

编辑：

我认为当字符串具有非 ascii 字符时，python3 会将字节"\\xc2"附加到字符串。 （正如@Ashraful Islam 所说）

那么如何在python3中避免这种情况呢？

Answer 1

考虑以下代码片段：

import sys
for i in range(128, 256):
    sys.stdout.write(chr(i))

使用 Python 2 运行它并使用hexdump -C查看结果：

00000000  80 81 82 83 84 85 86 87  88 89 8a 8b 8c 8d 8e 8f  |................|

等等。 没有惊喜； 从0x80到0xff 128 个字节。

用 Python 3 做同样的事情：

00000000  c2 80 c2 81 c2 82 c2 83  c2 84 c2 85 c2 86 c2 87  |................|
...
00000070  c2 b8 c2 b9 c2 ba c2 bb  c2 bc c2 bd c2 be c2 bf  |................|
00000080  c3 80 c3 81 c3 82 c3 83  c3 84 c3 85 c3 86 c3 87  |................|
...
000000f0  c3 b8 c3 b9 c3 ba c3 bb  c3 bc c3 bd c3 be c3 bf  |................|

总结一下：

• 一切从0x80至0xbf已经0xc2前缀。
• 从0xc0到0xff所有内容都将第 6 位设置为零，并在前面添加了0xc3 。

那么，这里发生了什么？

在 Python 2 中，字符串是 ASCII 并且不进行转换。 告诉它写一些 0-127 ASCII 范围之外的东西，它说“oky-doke！” 并只写入这些字节。 简单的。

在 Python 3 中，字符串是Unicode 。 写入非 ASCII 字符时，必须以某种方式对其进行编码。 默认编码为 UTF-8。

那么，这些值是如何用 UTF-8 编码的呢？

从0x80到0x7ff代码点编码如下：

110vvvvv 10vvvvvv

其中 11 个v字符是代码点的位。

因此：

0x80                 hex
1000 0000            8-bit binary
000 1000 0000        11-bit binary
00010 000000         divide into vvvvv vvvvvv
11000010 10000000    resulting UTF-8 octets in binary
0xc2 0x80            resulting UTF-8 octets in hex

0xc0                 hex
1100 0000            8-bit binary
000 1100 0000        11-bit binary
00011 000000         divide into vvvvv vvvvvv
11000011 10000000    resulting UTF-8 octets in binary
0xc3 0x80            resulting UTF-8 octets in hex

所以这就是你在87之前获得c2的原因。

如何在 Python 3 中避免这一切？ 使用bytes类型。

Answer 2

Python 2 的默认字符串类型是字节字符串。 字节字符串写为"abc"而 Unicode 字符串写为u"abc" 。

Python 3 的默认字符串类型是 Unicode 字符串。 字节字符串写为b"abc"而 Unicode 字符串写为"abc" （ u"abc"仍然有效）。 由于有数百万个 Unicode 字符，将它们打印为字节需要一种编码（在您的情况下为UTF-8 ），每个代码点需要多个字节。

首先在 Python 3 中使用字节字符串来获取与 Python 2 相同的类型。 然后，因为 Python 3 的print需要 Unicode 字符串，所以使用sys.stdout.buffer.write写入原始 stdout 接口，它需要字节字符串。

python3 -c 'import sys; sys.stdout.buffer.write(b"\x08\x04\x87\x18")'

请注意，如果写入文件，则存在类似问题。 对于无编码转换，以二进制模式'wb'打开文件并写入字节字符串。