Декодирование, если оно не unicode

Я хочу, чтобы моя функция приняла аргумент, который может быть объектом unicode или строкой, кодированной utf-8. Внутри моей функции я хочу преобразовать аргумент в unicode. У меня есть что-то вроде этого:

def myfunction(text):
    if not isinstance(text, unicode):
        text = unicode(text, 'utf-8')

    ...

Можно ли избежать использования isinstance? Я искал что-то более дружелюбное для утки.

Во время моих экспериментов с расшифровкой я столкнулся с несколькими странными поведением Python. Например:

>>> u'hello'.decode('utf-8')
u'hello'
>>> u'cer\xf3n'.decode('utf-8')
Traceback (most recent call last):
  File "<input>", line 1, in <module>
  File "/usr/lib/python2.6/encodings/utf_8.py", line 16, in decode
    return codecs.utf_8_decode(input, errors, True)
UnicodeEncodeError: 'ascii' codec can't encode character u'\xf3' in po
sition 3: ordinal not in range(128)

или

>>> u'hello'.decode('utf-8')
u'hello' 12:11
>>> unicode(u'hello', 'utf-8')
Traceback (most recent call last):
File "<input>", line 1, in <module>
TypeError: decoding Unicode is not supported

Кстати. Я использую Python 2.6

Ответы

Ответ 1

Вы можете просто попробовать декодировать его с помощью кодека "utf-8", и если это не сработает, верните объект.

def myfunction(text):
    try:
        text = unicode(text, 'utf-8')
    except TypeError:
        return text

print(myfunction(u'cer\xf3n'))
# cerón

Когда вы берете объект unicode и вызываете его метод decode с кодеком 'utf-8', Python сначала пытается преобразовать объект unicode в строковый объект, а затем вызывает декодирование строкового объекта ('utf-8').

Иногда преобразование из объекта unicode в строковый объект выходит из строя, потому что Python2 по умолчанию использует ascii-кодек.

Итак, в общем, никогда не пытайтесь декодировать объекты unicode. Или, если вы должны попробовать, затащите его в блок try..except. Могут быть несколько кодеков, для которых декодирование юникодовых объектов работает в Python2 (см. Ниже), но они были удалены в Python3.

Смотрите этот билет с ошибкой Python для интересного обсуждения проблемы, а также блог Guido van Rossum:

"Мы принимаем немного разные подход к кодекам: в то время как в Python 2, кодеки могут принимать либо Unicode, либо 8 бит в качестве входных данных и вывода, в Py3k, кодирование всегда перевод с Юникода (текст) строка в массив байтов и декодирование всегда идет наоборот направлении. Это означает, что мы должны были снимите несколько кодеков, которые не вписываются в эта модель, например rot13, base64 и bz2 (эти преобразования все еще поддерживается не только через encode/decode API).

Ответ 2

Я не знаю, какой хороший способ избежать проверки isinstance в вашей функции, но, возможно, кто-то еще будет. Я могу указать, что две странности, которые вы цитируете, - это то, что вы делаете то, что не имеет смысла: пытаться декодировать в Unicode что-то, что уже декодировано в Unicode.

Сначала должен выглядеть первый, который декодирует кодировку UTF-8 этой строки в версии Unicode:

>>> 'cer\xc3\xb3n'.decode('utf-8')
u'cer\xf3n'

И ваш второй должен выглядеть так (не используя строковый литерал u'' Unicode):

>>> unicode('hello', 'utf-8')
u'hello'