Como converter uma string C (matriz de caracteres) em uma string Python quando há caracteres não ASCII na string?
-
03-07-2019 - |
Pergunta
Incorporei um interpretador Python em um programa C.Suponha que o programa C leia alguns bytes de um arquivo em um array char e aprenda (de alguma forma) que os bytes representam texto com uma determinada codificação (por exemplo, ISO 8859-1, Windows-1252 ou UTF-8).Como decodifico o conteúdo deste array char em uma string Python?
A string Python deve, em geral, ser do tipo unicode
—por exemplo, um 0x93
na entrada codificada do Windows-1252 torna-se um u'\u0201c'
.
Eu tentei usar PyString_Decode
, mas sempre falha quando há caracteres não ASCII na string.Aqui está um exemplo que falha:
#include <Python.h>
#include <stdio.h>
int main(int argc, char *argv[])
{
char c_string[] = { (char)0x93, 0 };
PyObject *py_string;
Py_Initialize();
py_string = PyString_Decode(c_string, 1, "windows_1252", "replace");
if (!py_string) {
PyErr_Print();
return 1;
}
return 0;
}
A mensagem de erro é UnicodeEncodeError: 'ascii' codec can't encode character u'\u201c' in position 0: ordinal not in range(128)
, o que indica que ascii
a codificação é usada mesmo que especifiquemos windows_1252
na chamada para PyString_Decode
.
O código a seguir contorna o problema usando PyString_FromString
para criar uma string Python dos bytes não codificados e, em seguida, chamar seu decode
método:
#include <Python.h>
#include <stdio.h>
int main(int argc, char *argv[])
{
char c_string[] = { (char)0x93, 0 };
PyObject *raw, *decoded;
Py_Initialize();
raw = PyString_FromString(c_string);
printf("Undecoded: ");
PyObject_Print(raw, stdout, 0);
printf("\n");
decoded = PyObject_CallMethod(raw, "decode", "s", "windows_1252");
Py_DECREF(raw);
printf("Decoded: ");
PyObject_Print(decoded, stdout, 0);
printf("\n");
return 0;
}
Solução
Pystring_decode faz isso:
PyObject *PyString_Decode(const char *s,
Py_ssize_t size,
const char *encoding,
const char *errors)
{
PyObject *v, *str;
str = PyString_FromStringAndSize(s, size);
if (str == NULL)
return NULL;
v = PyString_AsDecodedString(str, encoding, errors);
Py_DECREF(str);
return v;
}
Iow, faz basicamente o que você está fazendo no seu segundo exemplo - converte em uma string e decodifique a string. O problema aqui surge de Pystring_asDecodedString, em vez de Pystring_asDecodedObject. Pystring_asDecodedString faz Pystring_asDecodEdObject, mas tenta converter o objeto Unicode resultante em um objeto String com a codificação padrão (para você, parece que isso é ASCII). É aí que falha.
Acredito que você precisará fazer duas chamadas - mas você pode usar o Pystring_asDecodedObject, em vez de chamar o método Python "decodificar". Algo como:
#include <Python.h>
#include <stdio.h>
int main(int argc, char *argv[])
{
char c_string[] = { (char)0x93, 0 };
PyObject *py_string, *py_unicode;
Py_Initialize();
py_string = PyString_FromStringAndSize(c_string, 1);
if (!py_string) {
PyErr_Print();
return 1;
}
py_unicode = PyString_AsDecodedObject(py_string, "windows_1252", "replace");
Py_DECREF(py_string);
return 0;
}
Não tenho muita certeza de qual é o raciocínio por trás do Pystring_Decode funcionando dessa maneira. UMA Tópico muito antigo no Python-dev Parece indicar que isso tem algo a ver com o encadeamento da saída, mas como os métodos Python não fazem o mesmo, não tenho certeza se isso ainda é relevante.
Outras dicas
Você não quer decodificar a string em uma representação Unicode, você só quer tratá-la como uma matriz de bytes, certo?
Apenas use PyString_FromString
:
char *cstring;
PyObject *pystring = PyString_FromString(cstring);
Isso é tudo.Agora você tem um Python str()
objeto.Veja os documentos aqui: https://docs.python.org/2/c-api/string.html
Estou um pouco confuso sobre como especificar "str" ou "unicode". Eles são bem diferentes se você tiver caracteres não-ASCII.Se você deseja decodificar uma string C e você sabe exatamente em que conjunto de caracteres está, então sim, PyString_DecodeString
é um bom lugar para começar.
Tente ligar PyErr_Print()
no "if (!py_string)
"Cláusula. Talvez a exceção do Python forneça mais algumas informações.