比較Python 2.7中的用戶輸入unicode字符串

Question

將用戶輸入的字符串與另一個字符串進行比較的最佳方法是什么？

例如：

# -*- coding: utf-8 -*-

from __future__ import unicode_literals

user_input = raw_input("Please, write árido: ").decode("utf8")
if u"árido" == user_input:
    print "OK"
else:
    print "FALSE"

編輯：

這個

# -*- coding: utf-8 -*-

from __future__ import unicode_literals
from unicodedata import normalize
import sys

uinput2 = "árbol"
uinput = raw_input("type árbol: ")

print "Encoding %s" % sys.stdout.encoding
print "User Input \t\tProgram Input"
print "-"*50
print "%s \t\t\t%s \t(raw value)" % (uinput, uinput2)
print "%s \t\t\t%s \t(unicode(value))" % (unicode(uinput), unicode(uinput2))
print "%s \t\t\t%s \t(value.decode('utf8'))" % (uinput.decode("utf-8"), uinput2.decode("utf-8"))
print "%s \t\t\t%s \t(normalize('NFC',value))" % (normalize("NFC",uinput.decode("utf-8")), normalize("NFC",uinput2.decode("utf-8")));
print "\n\nUser Input \t\tProgram Input (Repr)"
print "-"*50
print "%s \t%s" % (repr(uinput),repr(uinput2))
print "%s \t%s \t(unicode(value))" % (repr(unicode(uinput)), repr(uinput2))
print "%s \t%s \t(value.decode('utf8'))" % (repr(uinput.decode("utf-8")), repr(uinput2.decode("utf-8")))
print "%s \t%s \t(normalize('NFC',value)))" % (repr(normalize("NFC",uinput.decode("utf-8"))), repr(normalize("NFC",uinput2.decode("utf-8"))));

打印：

type árbol: árbol
Encoding utf-8
User Input      Program Input
--------------------------------------------------
árbol          árbol   (raw value)
árbol          árbol   (unicode(value))
árbol          árbol   (value.decode('utf8'))
árbol          árbol   (normalize('NFC',value))


User Input              Program Input (Repr)
--------------------------------------------------
'\xc3\x83\xc2\xa1rbol'  u'\xe1rbol'
u'\xc3\xa1rbol'         u'\xe1rbol'     (unicode(value))
u'\xc3\xa1rbol'         u'\xe1rbol'     (value.decode('utf8'))
u'\xc3\xa1rbol'         u'\xe1rbol'     (normalize('NFC',value)))

任何想法？ 當我使用Java之類的其他語言時，我沒有問題。 這僅發生在python中。 我正在使用Eclipse。

提前致謝 ：）

Answer 1

您能檢查一下終端的字符編碼嗎？

導入系統

sys.stdin.encoding

如果它是UTF-8，則解碼應該可以。 否則，您必須使用正確的編碼對raw_input進行解碼。

像raw_input（）。decode（sys.stdin.encoding）一樣檢查它是否正確（如果需要）和Unicode Normalization。

Answer 2

您當前的方法還不錯，但是您可能應該使用unicodedata.normalize()進行比較。 上面鏈接的文檔解釋了為什么這是一個好主意。 例如，嘗試評估以下內容：

u'Ç' == u'Ç'

劇透警報，這將為您提供False因為左側是序列U + 0043（拉丁文大寫字母C）U + 0327（合並CEDILLA），右側是單個字符U + 00C7（拉丁文大寫字母C和CEDILLA） ）。

您可以使用unicodedata.normalize()正確處理此問題，方法是先將字符串轉換為規范化形式。 例如：

# -*- coding: utf-8 -*-
from unicodedata import normalize

from __future__ import unicode_literals

user_input = normalize('NFC', raw_input("Please, write árido: ").decode("utf8"))
if normalize('NFC', u"árido") == user_input:
    print "OK"
else:
    print "FALSE"