Qualche gotcha usa unicode_literals in Python 2.6?
-
03-07-2019 - |
Domanda
Abbiamo già ottenuto la nostra base di codice in esecuzione su Python 2.6. Per prepararci a Python 3.0, abbiamo iniziato ad aggiungere:
from __future__ import unicode_literals
nei nostri file .py
(mentre li modifichiamo). Mi chiedo se qualcun altro lo stia facendo e si sia imbattuto in gotcha non ovvi (forse dopo aver trascorso molto tempo a eseguire il debug).
Soluzione
La principale fonte di problemi che ho riscontrato lavorando con stringhe unicode è quando mescoli stringhe codificate utf-8 con stringhe unicode.
Ad esempio, considera i seguenti script.
two.py
# encoding: utf-8
name = 'helló wörld from two'
one.py
# encoding: utf-8
from __future__ import unicode_literals
import two
name = 'helló wörld from one'
print name + two.name
L'output dell'esecuzione di python one.py
è:
Traceback (most recent call last):
File "one.py", line 5, in <module>
print name + two.name
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 4: ordinal not in range(128)
In questo esempio, two.name
è una stringa codificata utf-8 (non unicode) poiché non ha importato unicode_literals
e one.name
è una stringa unicode. Quando mescoli entrambi, python tenta di decodificare la stringa codificata (supponendo che sia ascii) e convertirla in unicode e fallisce. Funzionerebbe se avessi print name + two.name.decode ('utf-8')
.
La stessa cosa può succedere se si codifica una stringa e si tenta di mescolarla in un secondo momento. Ad esempio, funziona:
# encoding: utf-8
html = '<html><body>helló wörld</body></html>'
if isinstance(html, unicode):
html = html.encode('utf-8')
print 'DEBUG: %s' % html
Output:
DEBUG: <html><body>helló wörld</body></html>
Ma dopo aver aggiunto import unicode_literals
NON:
# encoding: utf-8
from __future__ import unicode_literals
html = '<html><body>helló wörld</body></html>'
if isinstance(html, unicode):
html = html.encode('utf-8')
print 'DEBUG: %s' % html
Output:
Traceback (most recent call last):
File "test.py", line 6, in <module>
print 'DEBUG: %s' % html
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 16: ordinal not in range(128)
Non riesce perché 'DEBUG:% s'
è una stringa unicode e quindi Python tenta di decodificare html
. Un paio di modi per correggere la stampa sono print str ('DEBUG:% s')% html
o print 'DEBUG:% s'% html.decode ('utf-8 ')
.
Spero che questo ti aiuti a capire i potenziali gotcha quando si usano stringhe unicode.
Altri suggerimenti
Anche in 2.6 (prima di Python 2.6.5 RC1 +) i letterali unicode non giocano bene con gli argomenti delle parole chiave ( issue4978 ):
Il seguente codice, ad esempio, funziona senza unicode_literals, ma non riesce con TypeError: le parole chiave devono essere stringa
se viene utilizzato unicode_literals.
>>> def foo(a=None): pass
...
>>> foo(**{'a':1})
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: foo() keywords must be strings
Ho scoperto che se aggiungi la direttiva unicode_literals
dovresti anche aggiungere qualcosa come:
# -*- coding: utf-8
alla prima o seconda riga il tuo file .py. Altrimenti linee come:
foo = "barré"
genera un errore come:
SyntaxError: Non-ASCII character '\xc3' in file mumble.py on line 198, but no encoding declared; see http://www.python.org/peps/pep-0263.html for details
Prendi anche in considerazione che unicode_literal
influenzerà eval ()
ma non repr ()
(un comportamento asimmetrico che rappresenta un bug) , ovvero eval (repr (b '\ xa4'))
non sarà uguale a b '\ xa4'
(come farebbe con Python 3).
Idealmente, il seguente codice sarebbe un invariante, che dovrebbe sempre funzionare, per tutte le combinazioni di unicode_literals
e utilizzo di Python {2.7, 3.x}:
from __future__ import unicode_literals
bstr = b'\xa4'
assert eval(repr(bstr)) == bstr # fails in Python 2.7, holds in 3.1+
ustr = '\xa4'
assert eval(repr(ustr)) == ustr # holds in Python 2.7 and 3.1+
La seconda affermazione sembra funzionare, poiché repr ('\ xa4')
viene valutato in u '\ xa4'
in Python 2.7.
Ce ne sono altri.
Ci sono librerie e builtin che prevedono stringhe che non tollerano l'unicode.
Due esempi:
incorporato:
myenum = type('Enum', (), enum)
(leggermente esotico) non funziona con unicode_literals: type () prevede una stringa.
biblioteca:
from wx.lib.pubsub import pub
pub.sendMessage("LOG MESSAGE", msg="no go for unicode literals")
non funziona: la libreria wx pubsub prevede un tipo di messaggio stringa.
Il primo è esoterico e facilmente risolvibile con
myenum = type(b'Enum', (), enum)
ma quest'ultimo è devastante se il tuo codice è pieno di chiamate a pub.sendMessage () (quale è il mio).
Dang it, eh?!?
Il clic genererà eccezioni unicode in tutto il luogo se qualsiasi modulo che ha da __future__ import unicode_literals
viene importato dove si utilizza click.echo
. È un incubo ...