我如何解码这个utf-8字符串，在随机网站上挑选并由Django ORM使用Python保存？

Question

我解析了一个文件并使用Django将其内容保存在数据库中。 该网站是100％的英文，所以我天真地认为它一直是ASCII，并愉快地保存文本作为unicode。

你猜其余的故事:-)

当我打印时，我得到通常的编码错误：

UnicodeEncodeError: 'ascii' codec can't encode character u'\u2019' in position 48: ordinal not in range(128)

快速搜索告诉我，''u2019'是'的'UTF-8表示' 。

repr(string)显示我：

"u'his son\\u2019s friend'"

然后当然我尝试了django.utils.encoding.smart_str和一个更直接的方法使用string.encode（'utf-8'），我最终得到了一些可打印的东西。 不幸的是，它在我的（linux UTF-8）终端中打印出来：

In [76]: repr(string.encode('utf-8'))
Out[76]: "'his son\\xe2\\x80\\x99s friend '"

In [77]: print string.encode('utf-8')
his son�s friend

不是我的预期。 我怀疑我对某些东西进行了双重编码或错过了一个重点。

当然文件原始编码不是与文件一起建立的。 我想我可以阅读HTTP标题或询问网站管理员，但由于\\ u2019s看起来像UTF-8，我认为它是utf-8。 我可能是非常错的，告诉我，如果我。

解决方案显然很受欢迎，但对原因的深刻解释以及如何避免再次发生这种情况将会更多。 我经常被编码所困扰，这表明我仍然没有完全掌握主题。

Answer 1

你很好。 你有适当的数据。 是的，原始数据是UTF-8（基于上下文u2019作为“儿子”和“s”之间的撇号非常有意义）。 奇怪的? 错误字符可能只是意味着您的终端配置的字体没有此字符的字形（花式撇号）。 没什么大不了。 数据在重要的地方是正确的。 如果您感到紧张，请尝试一些不同的终端/操作系统组合（我使用iTerm在OS X上）。 我花了很多时间向我的QA人解释这可怕? 问号字符只是意味着他们的Windows框中没有安装中文字体（在我的情况下，我们使用中文数据进行测试）。 这是一些评论

#Create a Python Unicode object
#(abstract code points, independent of any encoding)
#single backslash tells python we want to represent
#a code point by its unicode code point number, typed out with ASCII numbers
>>> s1 = u'his son\u2019s friend'

#If you just type it at the prompt,
#the interpreter does the equivalent of `print repr(s1)`
#and since repr means "show it like a string typed into a python source file",
#you get your ASCII escaped version back
>>> s1
u'his son\u2019s friend'
>>> print repr(s1)
u'his son\u2019s friend'

#This isn't ASCII, so encoding into ASCII generates your original
#error as expected
>>> s1.encode('ascii')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode character
 u'\u2019' in position 7: 
ordinal not in range(128)

# Encode in UTF-8 and now we have a string,
# which gets displayed as hex escapes.     
#Unicode code point 2019 looks like it gets 3 bytes in UTF-8 (yup, it does)
>>> s1.encode('utf-8')
'his son\xe2\x80\x99s friend'

#My terminal DOES have a different glyph (symbol) to use here,
#so it displays OK for me.
#Note that my terminal has a different glyph for a normal ASCII apostrophe
#(straight vertical)
>>> print s1
his son’s friend
>>> repr(s1)
"u'his son\\u2019s friend'"
>>> str(s1.encode('utf-8'))
'his son\xe2\x80\x99s friend'

另见： http ： //www.cl.cam.ac.uk/~mgk25/ucs/quotes.html

另请参阅字符2019（十六进制的e28099，在此页面上搜索“2019”）： http ：//www.utf8-chartable.de/unicode-utf8-table.pl？start = 8000

另请参见： http ： //www.joelonsoftware.com/articles/Unicode.html

Answer 2

也许我太天真，但是......是不是你的问题只是其躲过了领先\\ Unicode代码点的？

您的原始字符串表现如下：

>>> s = u'his son\\u2019s friend'
>>> print(s)
his son\u2019s friend

但删除转义\\给出：

>>> s = u'his son\u2019s friend'
>>> print(s)
his son’s friend

Answer 3

尝试调用这样的python shell：

python2 -S -i -c 'import sys;sys.setdefaultencoding("utf-8");import site'

然后：

>>> s = u'his son\u2019s friend'
>>> print s.encode("utf-8")
his son’s friend

然后默认编码是utf-8，它应该打印正常。