如何在Python中比較unicode和字符串？

Question

我有兩個變量（假設x和y ）具有以下值：

x = u'Ko\u0161ick\xfd'
y = 'Ko\x9aick\xfd'

它們可能以相同的名稱編碼，但方式不同。 第一個變量是unicode，第二個變量是字符串。

有沒有一種方法可以將字符串轉換為unicode（或unicode轉換為字符串）並檢查它們是否確實相同。

我嘗試使用encode

x.encode('utf-8')

它返回新的東西（第三個版本）：

'Ko\xc5\xa1ick\xc3\xbd'

並使用以下命令：

print x.encode('utf-8')

返回另一個版本：

KošickÛ

所以，我完全感到困惑。 有沒有辦法使所有內容保持相同格式？

Answer 1

您可以將字節字符串轉換為Unicode，但是如果它包含任何非ASCII字符，則必須指定編碼。

if y.decode('iso-8859-1') == x:
    print(u'{0!r} converted to Unicode == {1}".format(y, x))

對於您給出的示例，這是不正確的； 但也許y編碼不同。

從理論上講，您可以采用任何一種方式進行轉換，但是通常，在內部使用all-Unicode有意義，然后將其他編碼轉換為Unicode以在您的代碼中使用（而不是相反）。

Answer 2

您需要知道字節字符串的編碼。 看起來像windows-1252 ：

x = u'Ko\u0161ick\xfd'
y = 'Ko\x9aick\xfd'

print x == y.decode('windows-1252')
print x.encode('windows-1252') == y

輸出：

True
True

最佳實踐是在程序輸入時將文本轉換為Unicode，以Unicode進行所有處理，然后轉換回編碼的字節以持久存儲，在套接字上傳輸等。

Answer 3

好吧，utf-8現在是事實上的交換標准，在Linux世界中也是如此，但是還有許多其他編碼。

常見的示例是latin1，latin9（與€符號相同）和cp1252（它們的Windows變體）。

在您的情況下：

>>> x.encode('cp1252')
'Ko\x9aick\xfd'

因此y字符串似乎是cp1252編碼的。