raw_input()

Question

我目前正在学习Python，我遇到了以下代码：

text=raw_input()
for letter in text:
    x=[alpha_dic[letter]]
    print x

当我写一个umlaut (顺便说一下，在字典中)时，它会给我一个类似于-KeyError的错误：'\xfc'- (在本例中为ü)，因为umlauts是以这种方式在内部保存的！我看到了一些使用unicode编码或utf的解决方案，但要么我没有足够的技术来正确地应用它，要么它根本就没有那样的工作方式。

Answer 1

Python (2.x)中的多个缺点给您带来了一些麻烦。

• raw_input()为您提供系统中没有编码信息的原始字节。
• python字符串的本机编码是'ascii'，它不能表示'ü‘。
• 脚本中文字的编码要么是ascii，要么需要在文件顶部的头中声明。

因此，如果您有这样一个简单的文件：

x = {'ü': 20, 'ä': 10}

并使用python运行它，您将得到一个错误，因为编码是未知的：

SyntaxError: Non-ASCII character '\xfc' in file foo.py on line 1, but no encoding declared;
see http://python.org/dev/peps/pep-0263/ for details

当然，可以通过向文件中添加编码头并将文本转换为unicode文本来解决这个问题。

例如，如果编码是CP1252 (就像德国Windows )：

# -*- coding: cp1252 -*-
x = {u'ü': 20, u'ä':30}
print repr(x)

这些指纹：

{u'\xfc': 20, u'\xe4': 30}

但是，如果标题错误(例如编写CP850而不是CP1252，但保持相同的内容)，它会打印：

{u'\xb3': 20, u'\xf5': 30}

完全不同。

因此，首先检查编辑器设置是否与文件中的编码头匹配，否则所有非ascii文本都将是错误的。

下一步是修复raw_input()。它按照它说的做，从控制台提供原始输入。只是字节。但对于ISO-8859-1、CP1252、CP850等，UTF-8中的0xc3 + 0xbc，UTF-16中的0x00 + 0xfc或0xfc + 0x00等都可以用不同的字节表示。

因此，您的代码有两个问题：

for letter in text:

如果text碰巧是一个多字节编码中的简单字节字符串(例如UTF-8、UTF-16等)，那么一个字节并不等于一个字母，所以这样的迭代不会达到预期的效果。对于一个非常简化的letter视图，您可以使用python字符串进行这种迭代(如果适当的话)。因此，您需要首先确保text是一个unicode字符串。

如何将字节字符串转换为unicode？字节串提供decode()方法，该方法接受编码。对于这种编码，一个很好的初步猜测是这里的代码( sys.stdin.encoding or locale.getpreferredencoding(True)) )

把东西放在一起：

alpha_dict = {u'\xfc': u'small umlaut u'}
text = raw_input()
# turn text into unicode
utext = text.decode(sys.stdin.encoding or locale.getpreferredencoding(True))
# iterate over unicode string, not really letters...
for letter in utext:
    x=[alpha_dic[letter]]
    print x

Answer 2

我可以借用这的答案来解决这个问题：

# -*- coding: utf-8 -*-
import sys, locale
alpha_dict = {u"ü":"umlaut"}
text= raw_input().decode(sys.stdin.encoding or locale.getpreferredencoding(True))
for letter in text:
    x=[alpha_dict[unicode(letter)]]
    print x

>>> ü
>>> ['umlaut']

Python 2和unicode并不是为了伪装内心.