unicode.md
1> **Источник:** https://python-all.ru/3.15/howto/unicode.html2>3> «Документация Python на русском» – неофициальный перевод официальной документации Python: версии от 2.6 до 3.16, полнотекстовый поиск, английский оригинал рядом с переводом. Эта Markdown-версия страницы предназначена для работы с LLM: вставьте её в ChatGPT, Claude или Cursor.45---67# Руководство по Unicode89В данном руководстве рассматривается поддержка Python спецификации Unicode для представления текстовых данных, а также объясняются различные проблемы, с которыми часто сталкиваются при работе с Unicode.1011## Введение в Unicode1213### Определения1415Современным программам необходимо уметь работать с самыми разными символами. Приложения часто интернационализируются для вывода сообщений и результатов на различных языках, выбираемых пользователем; одна и та же программа может выводить сообщение об ошибке на английском, французском, японском, иврите или русском. Веб-контент может быть написан на любом из этих языков, а также может содержать различные эмодзи. Строковый тип Python использует стандарт Unicode для представления символов, что позволяет программам на Python работать со всеми этими различными возможными символами.1617Unicode ([https://www.unicode.org/](https://python-all.ru/3.15/howto/unicode.html)) – это спецификация, цель которой – перечислить все символы, используемые в человеческих языках, и присвоить каждому символу уникальный код. Спецификации Unicode постоянно пересматриваются и обновляются для добавления новых языков и символов.1819**Символ** – это минимально возможная составляющая текста. «A», «B», «C» и т.д. – все это разные символы. То же самое относится к «È» и «Í». Символы различаются в зависимости от языка или контекста, о котором идет речь. Например, существует символ «Римская единица» (Roman Numeral One) – «Ⅰ», который отличается от заглавной буквы «I». Обычно они выглядят одинаково, но это два разных символа с разными значениями.2021Стандарт Unicode описывает, как символы представляются с помощью **кодовых точек**. Значение кодовой точки – это целое число в диапазоне от 0 до 0x10FFFF (около 1,1 миллиона значений; [фактически назначенное количество](https://python-all.ru/3.15/howto/unicode.html) меньше). В стандарте и в этом документе кодовая точка записывается в виде `U+265E` для обозначения символа со значением `0x265e` (9 822 в десятичной системе).2223Стандарт Unicode содержит множество таблиц с перечислением символов и соответствующих им кодовых точек:2425```text260061 'a'; LATIN SMALL LETTER A270062 'b'; LATIN SMALL LETTER B280063 'c'; LATIN SMALL LETTER C29...30007B '{'; LEFT CURLY BRACKET31...322167 'Ⅷ'; ROMAN NUMERAL EIGHT332168 'Ⅸ'; ROMAN NUMERAL NINE34...35265E '♞'; BLACK CHESS KNIGHT36265F '♟'; BLACK CHESS PAWN37...381F600 '😀'; GRINNING FACE391F609 '😉'; WINKING FACE40...41```4243Строго говоря, из этих определений следует, что бессмысленно говорить «это символ `U+265E`». `U+265E` – это кодовая точка, которая представляет некоторый конкретный символ; в данном случае она представляет символ «BLACK CHESS KNIGHT», «♞». В неформальном контексте это различие между кодовыми точками и символами иногда забывается.4445Символ отображается на экране или на бумаге с помощью набора графических элементов, который называется **глифом**. Глиф для заглавной A, например, представляет собой две диагональные и одну горизонтальную черту, хотя точные детали зависят от используемого шрифта. Большинству кода на Python не нужно беспокоиться о глифах; определение правильного глифа для отображения обычно является задачей GUI-инструментария или рендерера шрифтов терминала.4647### Кодировки4849Резюмируя предыдущий раздел: строка Unicode – это последовательность кодовых точек, которые являются числами от 0 до `0x10FFFF` (1 114 111 в десятичной системе). Эту последовательность кодовых точек необходимо представить в памяти в виде набора **кодовых единиц**, а **кодовые единицы** затем отображаются на 8-битные байты. Правила преобразования строки Unicode в последовательность байтов называются **кодировкой символов** или просто **кодировкой**.5051Первое, что приходит на ум, – использовать 32-битные целые числа в качестве кодовой единицы и применяемое в CPU представление этих чисел. В таком представлении строка «Python» может выглядеть так:5253```text54 P y t h o n550x50 00 00 00 79 00 00 00 74 00 00 00 68 00 00 00 6f 00 00 00 6e 00 00 0056 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 2357```5859Такое представление интуитивно понятно, но его использование порождает ряд проблем.60611. Оно не является переносимым: разные процессоры по-разному упорядочивают байты.622. Оно крайне неэкономно расходует место. В большинстве текстов кодовые точки в основном меньше 127 или 255, поэтому значительная часть места занята `0x00` байтами. Приведённая выше строка занимает 24 байта, тогда как в ASCII-представлении достаточно 6 байт. Увеличение расхода оперативной памяти не так критично (настольные компьютеры имеют гигабайты RAM, а строки редко бывают очень большими), однако четырёхкратное расширение при использовании дискового пространства и сетевой пропускной способности уже неприемлемо.633. Оно несовместимо с существующими C-функциями, такими как `strlen()`, поэтому пришлось бы использовать новое семейство функций для работы с широкими строками.6465Поэтому данная кодировка используется редко; вместо неё выбирают другие, более эффективные и удобные, например UTF-8.6667UTF-8 – одна из самых распространённых кодировок; Python часто использует её по умолчанию. Аббревиатура UTF расшифровывается как «Unicode Transformation Format» (формат преобразования Юникода), а цифра 8 означает, что в этой кодировке используются 8-битные значения. (Существуют также UTF-16 и UTF-32, но они применяются реже.) UTF-8 руководствуется следующими правилами:68691. Если кодовая точка \< 128, она представляется соответствующим значением байта.702. Если кодовая точка \>= 128, она преобразуется в последовательность из двух, трёх или четырёх байт, причём каждый байт находится в диапазоне от 128 до 255.7172UTF-8 обладает несколькими удобными свойствами:73741. Она может обрабатывать любую кодовую точку Юникода.752. Строка Юникода преобразуется в последовательность байт, содержащую встроенные нулевые байты только там, где они представляют нулевой символ (U+0000). Это означает, что строки UTF-8 могут обрабатываться C-функциями, такими как `strcpy()`, и передаваться по протоколам, которые не допускают нулевые байты ни для чего, кроме маркеров конца строки.763. Любая строка ASCII также является корректным текстом UTF-8.774. UTF-8 довольно компактна; большинство часто используемых символов можно представить одним или двумя байтами.785. Если байты повреждены или потеряны, можно определить начало следующей UTF-8-кодовой точки и восстановить синхронизацию. Кроме того, маловероятно, что случайные 8-битные данные будут выглядеть как корректный UTF-8.796. UTF-8 – это байт-ориентированная кодировка. Она задаёт, что каждый символ представляется определённой последовательностью из одного или нескольких байт. Это позволяет избежать проблем с порядком байт, возникающих в целочисленных и слово-ориентированных кодировках, таких как UTF-16 и UTF-32, где последовательность байт меняется в зависимости от аппаратной платформы, на которой строка была закодирована.8081### Ссылки8283The [Unicode Consortium site](https://python-all.ru/3.15/howto/unicode.html) has character charts, a glossary, and PDF versions of the Unicode specification. Be prepared for some difficult reading. [A chronology](https://python-all.ru/3.15/howto/unicode.html) of the origin and development of Unicode is also available on the site.8485On the Computerphile Youtube channel, Tom Scott briefly [discusses the history of Unicode and UTF-8](https://python-all.ru/3.15/howto/unicode.html) (9 minutes 36 seconds).8687To help understand the standard, Jukka Korpela has written [an introductory guide](https://python-all.ru/3.15/howto/unicode.html) to reading the Unicode character tables.8889Another [good introductory article](https://python-all.ru/3.15/howto/unicode.html) was written by Joel Spolsky. If this introduction didn’t make things clear to you, you should try reading this alternate article before continuing.9091Wikipedia entries are often helpful; see the entries for “[character encoding](https://python-all.ru/3.15/howto/unicode.html)” and [UTF-8](https://python-all.ru/3.15/howto/unicode.html), for example.9293## Поддержка Юникода в Python9495Теперь, когда вы освоили основы Юникода, давайте рассмотрим возможности Python по работе с ним.9697### Тип строки9899Начиная с Python 3.0 строковый тип [`str`](https://python-all.ru/3.15/library/stdtypes.html#str) содержит символы Юникода – это означает, что любая строка, созданная с помощью `"unicode rocks!"`, `'unicode rocks!'` или синтаксиса тройных кавычек, хранится в Юникоде.100101Кодировка исходного кода Python по умолчанию – UTF-8, поэтому можно просто включить символ Юникода в строковый литерал:102103```python104try:105 with open('/tmp/input.txt', 'r') as f:106 ...107except OSError:108 # Сообщение об ошибке 'File not found'.109 print("Fichier non trouvé")110```111112Попутное замечание: Python 3 также поддерживает использование символов Юникода в идентификаторах:113114```python115répertoire = "/tmp/records.log"116with open(répertoire, "w") as f:117 f.write("test\n")118```119120Если вы не можете ввести нужный символ в редакторе или по какой-то причине хотите сохранить исходный код только в ASCII, можно использовать escape-последовательности в строковых литералах. (В зависимости от системы вместо u-escape может отображаться сама заглавная дельта.)121122```python123>>> "\N{GREEK CAPITAL LETTER DELTA}" # Использование имени символа124'\u0394'125>>> "\u0394" # Использование 16-битного шестнадцатеричного значения126'\u0394'127>>> "\U00000394" # Использование 32-битного шестнадцатеричного значения128'\u0394'129```130131Кроме того, строку можно создать методом [`decode()`](https://python-all.ru/3.15/library/stdtypes.html#bytes.decode) объекта [`bytes`](https://python-all.ru/3.15/library/stdtypes.html#bytes). Этот метод принимает аргумент *encoding* (кодировка), например `UTF-8`, и опционально аргумент *errors* (реакция на ошибки).132133Аргумент *errors* определяет реакцию, когда входную строку невозможно преобразовать согласно правилам кодировки. Допустимые значения этого аргумента: `'strict'` (вызывает исключение [`UnicodeDecodeError`](https://python-all.ru/3.15/library/exceptions.html#UnicodeDecodeError)), `'replace'` (использует `U+FFFD`, `REPLACEMENT CHARACTER`), `'ignore'` (просто исключает символ из результата Юникода) или `'backslashreplace'` (вставляет escape-последовательность `\xNN`). Следующие примеры показывают различия:134135```python136>>> b'\x80abc'.decode("utf-8", "strict")137Traceback (most recent call last):138 ...139UnicodeDecodeError: 'utf-8' codec can't decode byte 0x80 in position 0:140 invalid start byte141>>> b'\x80abc'.decode("utf-8", "replace")142'\ufffdabc'143>>> b'\x80abc'.decode("utf-8", "backslashreplace")144'\\x80abc'145>>> b'\x80abc'.decode("utf-8", "ignore")146'abc'147```148149Encodings are specified as strings containing the encoding’s name. Python comes with roughly 100 different encodings; see the Python Library Reference at [Standard Encodings](https://python-all.ru/3.15/library/codecs.html#standard-encodings) for a list. Some encodings have multiple names; for example, `'latin-1'`, `'iso_8859_1'` and `'8859`’ are all synonyms for the same encoding.150151Односимвольные строки Юникода можно также создать с помощью встроенной функции [`chr()`](https://python-all.ru/3.15/library/functions.html#chr). Она принимает целое число и возвращает строку Юникода длиной 1, содержащую соответствующую кодовую точку. Обратная операция – встроенная функция [`ord()`](https://python-all.ru/3.15/library/functions.html#ord), которая принимает односимвольную строку Юникода и возвращает значение кодовой точки:152153```python154>>> chr(57344)155'\ue000'156>>> ord('\ue000')15757344158```159160### Преобразование в байты161162Противоположным методом для [`bytes.decode()`](https://python-all.ru/3.15/library/stdtypes.html#bytes.decode) является [`str.encode()`](https://python-all.ru/3.15/library/stdtypes.html#str.encode), который возвращает [`bytes`](https://python-all.ru/3.15/library/stdtypes.html#bytes) представление строки Unicode, закодированное в требуемой *кодировке*.163164Параметр *errors* такой же, как и параметр метода [`decode()`](https://python-all.ru/3.15/library/stdtypes.html#bytes.decode), но поддерживает несколько дополнительных обработчиков. Помимо `'strict'`, `'ignore'` и `'replace'` (который в данном случае вставляет знак вопроса вместо некодируемого символа), есть также `'xmlcharrefreplace'` (вставляет ссылку на символ XML), `backslashreplace` (вставляет управляющую последовательность `\uNNNN`) и `namereplace` (вставляет управляющую последовательность `\N{...}`).165166В следующем примере показаны различные результаты:167168```python169>>> u = chr(40960) + 'abcd' + chr(1972)170>>> u.encode('utf-8')171b'\xea\x80\x80abcd\xde\xb4'172>>> u.encode('ascii')173Traceback (most recent call last):174 ...175UnicodeEncodeError: 'ascii' codec can't encode character '\ua000' in176 position 0: ordinal not in range(128)177>>> u.encode('ascii', 'ignore')178b'abcd'179>>> u.encode('ascii', 'replace')180b'?abcd?'181>>> u.encode('ascii', 'xmlcharrefreplace')182b'ꀀabcd޴'183>>> u.encode('ascii', 'backslashreplace')184b'\\ua000abcd\\u07b4'185>>> u.encode('ascii', 'namereplace')186b'\\N{YI SYLLABLE IT}abcd\\u07b4'187```188189Низкоуровневые функции для регистрации и доступа к доступным кодировкам находятся в модуле [`codecs`](https://python-all.ru/3.15/library/codecs.html#module-codecs). Реализация новых кодировок также требует понимания модуля `codecs`. Однако функции кодирования и декодирования, возвращаемые этим модулем, обычно слишком низкоуровневые для комфортной работы, а написание новых кодировок является специализированной задачей, поэтому этот модуль не будет рассматриваться в данном HOWTO.190191### Литералы Unicode в исходном коде Python192193В исходном коде Python конкретные кодовые точки Unicode можно записать с помощью управляющей последовательности `\u`, за которой следуют четыре шестнадцатеричные цифры, задающие кодовую точку. Управляющая последовательность `\U` аналогична, но ожидает восемь шестнадцатеричных цифр, а не четыре:194195```python196>>> s = "a\xac\u1234\u20ac\U00008000"197... # ^^^^ двузначная шестнадцатеричная escape-последовательность198... # ^^^^^^ четырёхзначная Unicode escape-последовательность199... # ^^^^^^^^^^ восьмизначная Unicode escape-последовательность200>>> [ord(c) for c in s]201[97, 172, 4660, 8364, 32768]202```203204Использование управляющих последовательностей для кодовых точек больше 127 вполне допустимо в небольших количествах, но становится утомительным, если используется много символов с диакритическими знаками, как, например, в программе с сообщениями на французском или другом языке, использующем диакритику. Также можно собирать строки с помощью встроенной функции [`chr()`](https://python-all.ru/3.15/library/functions.html#chr), но это ещё более трудоёмко.205206В идеале хотелось бы иметь возможность записывать литералы в естественной кодировке вашего языка. Тогда можно было бы редактировать исходный код Python в любимом редакторе, который будет отображать символы с диакритическими знаками естественно, а при выполнении программы будут использоваться правильные символы.207208По умолчанию Python поддерживает запись исходного кода в UTF-8, но можно использовать почти любую кодировку, если объявить используемую кодировку. Это делается путём включения специального комментария в первую или вторую строку исходного файла:209210```python211#!/usr/bin/env python212# -*- coding: latin-1 -*-213214u = 'abcdé'215print(ord(u[-1]))216```217218Синтаксис вдохновлён нотацией Emacs для указания локальных переменных файла. Emacs поддерживает множество различных переменных, но Python поддерживает только ‘coding’. Символы `-*-` указывают Emacs, что комментарий специальный; они не имеют значения для Python, но являются соглашением. Python ищет `coding: name` или `coding=name` в комментарии.219220Если такой комментарий не включён, по умолчанию будет использоваться кодировка UTF-8, как уже упоминалось. См. также [**PEP 263**](https://python-all.ru/3.15/howto/unicode.html) для получения дополнительной информации.221222### Свойства Unicode223224Спецификация Unicode включает базу данных информации о кодовых точках. Для каждой определённой кодовой точки информация включает имя символа, его категорию, числовое значение, если применимо (для символов, представляющих числовые концепции, такие как римские цифры, дроби, например одна треть и четыре пятых, и т.д.). Существуют также свойства, связанные с отображением, например, как использовать кодовую точку в двунаправленном тексте.225226Следующая программа выводит некоторую информацию о нескольких символах и печатает числовое значение одного конкретного символа:227228```python229import unicodedata230231u = chr(233) + chr(0x0bf2) + chr(3972) + chr(6000) + chr(13231)232233for i, c in enumerate(u):234 print(i, '%04x' % ord(c), unicodedata.category(c), end=" ")235 print(unicodedata.name(c))236237# Получить числовое значение второго символа238print(unicodedata.numeric(u[1]))239```240241При запуске выводится:242243```text2440 00e9 Ll LATIN SMALL LETTER E WITH ACUTE2451 0bf2 No TAMIL NUMBER ONE THOUSAND2462 0f84 Mn TIBETAN MARK HALANTA2473 1770 Lo TAGBANWA LETTER SA2484 33af So SQUARE RAD OVER S SQUARED2491000.0250```251252Коды категорий – это сокращения, описывающие природу символа. Они группируются в такие категории, как «Буква», «Число», «Знак препинания» или «Символ», которые в свою очередь делятся на подкатегории. Взяв коды из приведённого выше вывода, `'Ll'` означает «Буква, строчная», `'No'` означает «Число, прочее», `'Mn'` – «Знак, некомбинируемый», а `'So'` – «Символ, прочее». См. [раздел «Значения общих категорий» документации по базе данных символов Unicode](https://python-all.ru/3.15/howto/unicode.html) для списка кодов категорий.253254### Сравнение строк255256Unicode вносит некоторые сложности в сравнение строк, потому что один и тот же набор символов может быть представлен разными последовательностями кодовых точек. Например, буква «ê» может быть представлена как одна кодовая точка U+00EA, или как U+0065 U+0302, что является кодовой точкой для «e», за которой следует кодовая точка для «КОМБИНИРУЕМОГО ЦИРКУМФЛЕКСА». Эти представления будут давать одинаковый вывод при печати, но одна строка имеет длину 1, а другая – длину 2.257258Одним инструментом для сравнения без учёта регистра является строковый метод [`casefold()`](https://python-all.ru/3.15/library/stdtypes.html#str.casefold), который преобразует строку в форму без учёта регистра по алгоритму, описанному в стандарте Unicode. Этот алгоритм имеет специальную обработку для таких символов, как немецкая буква «ß» (кодовая точка U+00DF), которая превращается в пару строчных букв «ss».259260```python261>>> street = 'Gürzenichstraße'262>>> street.casefold()263'gürzenichstrasse'264```265266Вторым инструментом является функция [`normalize()`](https://python-all.ru/3.15/library/unicodedata.html#unicodedata.normalize) модуля [`unicodedata`](https://python-all.ru/3.15/library/unicodedata.html#module-unicodedata), которая преобразует строки в одну из нескольких нормальных форм, где буквы, за которыми следует комбинируемый символ, заменяются на одиночные символы. `normalize()` можно использовать для сравнения строк, которое не будет ложно сообщать о неравенстве, если две строки по-разному используют комбинируемые символы:267268```python269import unicodedata270271def compare_strs(s1, s2):272 def NFD(s):273 return unicodedata.normalize('NFD', s)274275 return NFD(s1) == NFD(s2)276277single_char = 'ê'278multiple_chars = '\N{LATIN SMALL LETTER E}\N{COMBINING CIRCUMFLEX ACCENT}'279print('length of first string=', len(single_char))280print('length of second string=', len(multiple_chars))281print(compare_strs(single_char, multiple_chars))282```283284При запуске выводится:285286```console287$ python compare-strs.py288length of first string= 1289length of second string= 2290True291```292293Первым аргументом функции [`normalize()`](https://python-all.ru/3.15/library/unicodedata.html#unicodedata.normalize) является строка, задающая желаемую форму нормализации, которая может быть одной из «NFC», «NFKC», «NFD» и «NFKD».294295Стандарт Unicode также определяет, как выполнять сравнение без учёта регистра:296297```python298import unicodedata299300def compare_caseless(s1, s2):301 def NFD(s):302 return unicodedata.normalize('NFD', s)303304 return NFD(NFD(s1).casefold()) == NFD(NFD(s2).casefold())305306# Пример использования307single_char = 'ê'308multiple_chars = '\N{LATIN CAPITAL LETTER E}\N{COMBINING CIRCUMFLEX ACCENT}'309310print(compare_caseless(single_char, multiple_chars))311```312313Это выведет `True`. (Почему `NFD()` вызывается дважды? Потому что существует несколько символов, из-за которых [`casefold()`](https://python-all.ru/3.15/library/stdtypes.html#str.casefold) возвращает ненормализованную строку, поэтому результат необходимо снова нормализовать. См. раздел 3.13 стандарта Unicode для обсуждения и примера.)314315### Регулярные выражения Unicode316317Регулярные выражения, поддерживаемые модулем [`re`](https://python-all.ru/3.15/library/re.html#module-re), могут быть представлены как в виде байтов, так и строк. Некоторые специальные последовательности символов, такие как `\d` и `\w`, имеют разные значения в зависимости от того, задан ли шаблон как байты или строка. Например, `\d` будет соответствовать символам `[0-9]` в байтах, но в строках будет соответствовать любому символу из категории `'Nd'`.318319Строка в этом примере содержит число 57, записанное как тайскими, так и арабскими цифрами:320321```python322import re323p = re.compile(r'\d+')324325s = "Over \u0e55\u0e57 57 flavours"326m = p.search(s)327print(repr(m.group()))328```329330При выполнении `\d+` будет соответствовать тайским цифрам и выведет их на печать. Если передать флаг [`re.ASCII`](https://python-all.ru/3.15/library/re.html#re.ASCII) функции [`compile()`](https://python-all.ru/3.15/library/re.html#re.compile), то `\d+` будет соответствовать подстроке «57».331332Аналогично, `\w` соответствует широкому спектру символов Unicode, но только `[a-zA-Z0-9_]` в байтах или если указан [`re.ASCII`](https://python-all.ru/3.15/library/re.html#re.ASCII), а `\s` будет соответствовать либо пробельным символам Unicode, либо `[ \t\n\r\f\v]`.333334### Ссылки335336Некоторые хорошие альтернативные обсуждения поддержки Unicode в Python:337338- [Обработка текстовых файлов в Python 3](https://python-all.ru/3.15/howto/unicode.html), автор Ник Коглан.339- [Pragmatic Unicode](https://python-all.ru/3.15/howto/unicode.html) – презентация Неда Бэтчелдера на PyCon 2012.340341Тип [`str`](https://python-all.ru/3.15/library/stdtypes.html#str) описан в справочнике по библиотеке Python по адресу [Text Sequence Type – str](https://python-all.ru/3.15/library/stdtypes.html#textseq).342343Документация модуля [`unicodedata`](https://python-all.ru/3.15/library/unicodedata.html#module-unicodedata).344345Документация модуля [`codecs`](https://python-all.ru/3.15/library/codecs.html#module-codecs).346347Марк-Андре Лембург [выступил с презентацией «Python and Unicode» (слайды в PDF)](https://python-all.ru/3.15/howto/unicode.html) на EuroPython 2002. Слайды дают отличный обзор архитектуры поддержки Unicode в Python 2 (где тип строки Unicode называется `unicode`, а литералы начинаются с `u`).348349## Чтение и запись данных Unicode350351После написания кода, работающего с данными Unicode, следующая проблема – ввод/вывод. Как передавать строки Unicode в программу и как преобразовывать Unicode в форму, подходящую для хранения или передачи?352353Возможно, вам может не понадобиться ничего делать в зависимости от источников ввода и мест назначения вывода; следует проверить, поддерживают ли библиотеки, используемые в вашем приложении, Unicode нативно. Например, XML-парсеры часто возвращают данные в Unicode. Многие реляционные базы данных также поддерживают столбцы со значением Unicode и могут возвращать значения Unicode из SQL-запросов.354355Данные Unicode обычно преобразуются в определённую кодировку перед записью на диск или отправкой через сокет. Можно сделать всю работу самостоятельно: открыть файл, прочитать из него 8-битный объект bytes и преобразовать байты с помощью `bytes.decode(encoding)`. Однако ручной подход не рекомендуется.356357Одна из проблем – многобайтовая природа кодировок; один символ Unicode может быть представлен несколькими байтами. Если читать файл произвольными фрагментами (например, по 1024 или 4096 байт), необходимо написать код обработки ошибок для ситуации, когда в конце фрагмента считывается только часть байтов, кодирующих один символ Unicode. Одним из решений было бы прочитать весь файл в память и затем выполнить декодирование, но это не позволяет работать с очень большими файлами; если нужно прочитать файл размером 2 ГБ, потребуется 2 ГБ ОЗУ. (На самом деле больше, поскольку хотя бы на мгновение в памяти должны находиться и закодированная строка, и её Unicode-версия.)358359Решением было бы использование низкоуровневого интерфейса декодирования для обработки неполных кодовых последовательностей. Работа по его реализации уже сделана за вас: встроенная функция [`open()`](https://python-all.ru/3.15/library/functions.html#open) может вернуть файлоподобный объект, который предполагает, что содержимое файла находится в указанной кодировке, и принимает параметры Unicode для методов, таких как [`read()`](https://python-all.ru/3.15/library/io.html#io.TextIOBase.read) и [`write()`](https://python-all.ru/3.15/library/io.html#io.TextIOBase.write). Это работает через параметры `open()` *encoding* и *errors*, которые интерпретируются так же, как в [`str.encode()`](https://python-all.ru/3.15/library/stdtypes.html#str.encode) и [`bytes.decode()`](https://python-all.ru/3.15/library/stdtypes.html#bytes.decode).360361Чтение Unicode из файла, таким образом, просто:362363```python364with open('unicode.txt', encoding='utf-8') as f:365 for line in f:366 print(repr(line))367```368369Также можно открывать файлы в режиме обновления, позволяющем как чтение, так и запись:370371```python372with open('test', encoding='utf-8', mode='w+') as f:373 f.write('\u4500 blah blah blah\n')374 f.seek(0)375 print(repr(f.readline()[:1]))376```377378Символ Unicode `U+FEFF` используется как метка порядка байтов (BOM) и часто записывается как первый символ файла для облегчения автоматического определения порядка байтов файла. Некоторые кодировки, такие как UTF-16, ожидают наличие BOM в начале файла; при использовании такой кодировки BOM автоматически записывается как первый символ и молча отбрасывается при чтении файла. Существуют варианты этих кодировок, например, ‘utf-16-le’ и ‘utf-16-be’ для little-endian и big-endian кодировок, которые задают определённый порядок байтов и не пропускают BOM.379380В некоторых областях также принято использовать «BOM» в начале файлов, закодированных в UTF-8; это название вводит в заблуждение, поскольку UTF-8 не зависит от порядка байтов. Метка просто сообщает, что файл закодирован в UTF-8. Для чтения таких файлов используйте кодировку ‘utf-8-sig’, чтобы автоматически пропускать метку, если она присутствует.381382### Имена файлов в Unicode383384Большинство операционных систем, используемых сегодня, поддерживают имена файлов, содержащие произвольные символы Unicode. Обычно это реализуется преобразованием строки Unicode в некоторую кодировку, которая зависит от системы. В настоящее время Python сходится на использовании UTF-8: Python на MacOS использует UTF-8 уже несколько версий, а Python 3.6 перешёл на использование UTF-8 и в Windows. В Unix-системах [кодировка файловой системы](https://python-all.ru/3.15/glossary.html#term-filesystem-encoding-and-error-handler) будет существовать только в том случае, если заданы переменные окружения `LANG` или `LC_CTYPE`; если не заданы, то по умолчанию снова используется UTF-8.385386Функция [`sys.getfilesystemencoding()`](https://python-all.ru/3.15/library/sys.html#sys.getfilesystemencoding) возвращает кодировку для использования в текущей системе, на случай если потребуется выполнить кодирование вручную, но в этом нет особой необходимости. При открытии файла для чтения или записи обычно можно просто передать строку Unicode в качестве имени файла, и она будет автоматически преобразована в нужную кодировку:387388```python389filename = 'filename\u4500abc'390with open(filename, 'w') as f:391 f.write('blah\n')392```393394Функции модуля [`os`](https://python-all.ru/3.15/library/os.html#module-os), такие как [`os.stat()`](https://python-all.ru/3.15/library/os.html#os.stat), также принимают имена файлов Unicode.395396Функция [`os.listdir()`](https://python-all.ru/3.15/library/os.html#os.listdir) возвращает имена файлов, что вызывает вопрос: следует ли возвращать версию имён в Unicode или возвращать байты, содержащие закодированные версии? `os.listdir()` может делать и то, и другое в зависимости от того, передан ли путь к каталогу как байты или как строка Unicode. Если передать строку Unicode в качестве пути, имена файлов будут декодированы с использованием кодировки файловой системы и будет возвращён список строк Unicode, тогда как передача байтового пути вернёт имена файлов в виде байтов. Например, если предположить, что [кодировка файловой системы](https://python-all.ru/3.15/glossary.html#term-filesystem-encoding-and-error-handler) по умолчанию – UTF-8, выполнение следующей программы:397398```python399fn = 'filename\u4500abc'400f = open(fn, 'w')401f.close()402403import os404print(os.listdir(b'.'))405print(os.listdir('.'))406```407408выдаст следующий результат:409410```console411$ python listdir-test.py412[b'filename\xe4\x94\x80abc', ...]413['filename\u4500abc', ...]414```415416Первый список содержит имена файлов в кодировке UTF-8, а второй список – версии в Unicode.417418Обратите внимание, что в большинстве случаев для этих API достаточно просто использовать Unicode. API для байтов следует применять только в системах, где могут встречаться не декодируемые имена файлов; сейчас это практически только Unix-системы.419420### Советы по написанию программ с поддержкой Unicode421422В этом разделе приводятся некоторые рекомендации по написанию программного обеспечения, работающего с Unicode.423424Самый важный совет:425426> Программное обеспечение должно работать внутри только со строками Unicode, декодируя входные данные как можно раньше и кодируя вывод только в конце.427428При попытке написать функции обработки, которые принимают как строки Unicode, так и байтовые строки, программа окажется уязвима для ошибок везде, где комбинируются два разных типа строк. Автоматического кодирования или декодирования не происходит: если выполнить, например, `str + bytes`, будет возбуждено [`TypeError`](https://python-all.ru/3.15/library/exceptions.html#TypeError).429430При использовании данных из веб-браузера или другого ненадёжного источника распространённый приём – проверка строки на недопустимые символы перед использованием в генерируемой командной строке или сохранением в базе данных. Если это делается, следует проверять декодированную строку, а не закодированные байтовые данные; некоторые кодировки могут обладать интересными свойствами, такими как отсутствие биективности или полной совместимости с ASCII. Это особенно важно, если входные данные также задают кодировку, так как злоумышленник может выбрать хитрый способ скрыть вредоносный текст в закодированном потоке байтов.431432#### Преобразование между кодировками файлов433434Класс [`StreamRecoder`](https://python-all.ru/3.15/library/codecs.html#codecs.StreamRecoder) может прозрачно преобразовывать между кодировками, принимая поток, возвращающий данные в кодировке №1, и ведя себя как поток, возвращающий данные в кодировке №2.435436Например, если есть входной файл *f* в кодировке Latin-1, его можно обернуть с помощью [`StreamRecoder`](https://python-all.ru/3.15/library/codecs.html#codecs.StreamRecoder), чтобы возвращать байты, закодированные в UTF-8:437438```python439new_f = codecs.StreamRecoder(f,440 # кодер/декодер: используется read() для кодирования результатов и441 # с помощью write() для декодирования своего ввода.442 codecs.getencoder('utf-8'), codecs.getdecoder('utf-8'),443444 # читатель/писатель: используется для чтения и записи в поток.445 codecs.getreader('latin-1'), codecs.getwriter('latin-1') )446```447448#### Файлы в неизвестной кодировке449450Что делать, если нужно внести изменения в файл, но кодировка файла неизвестна? Если известно, что кодировка совместима с ASCII и требуется только просмотреть или изменить части в ASCII, можно открыть файл с обработчиком ошибок `surrogateescape`:451452```python453with open(fname, 'r', encoding="ascii", errors="surrogateescape") as f:454 data = f.read()455456# внести изменения в строку 'data'457458with open(fname + '.new', 'w',459 encoding="ascii", errors="surrogateescape") as f:460 f.write(data)461```462463Обработчик ошибок `surrogateescape` декодирует все не-ASCII байты как кодовые точки в специальном диапазоне от U+DC80 до U+DCFF. Затем эти кодовые точки снова превращаются в те же байты, когда обработчик ошибок `surrogateescape` используется для кодирования данных и записи их обратно.464465### Ссылки466467Одна из секций доклада [Mastering Python 3 Input/Output](https://python-all.ru/3.15/howto/unicode.html) на PyCon 2010 (Дэвид Бизли) посвящена обработке текста и работе с двоичными данными.468469В [слайдах PDF презентации Марка-Андре Лембурга «Writing Unicode-aware Applications in Python»](https://python-all.ru/3.15/howto/unicode.html) рассматриваются вопросы кодировок символов, а также интернационализация и локализация приложений. Эти слайды охватывают только Python 2.x.470471[The Guts of Unicode in Python](https://python-all.ru/3.15/howto/unicode.html) – доклад Бенджамина Петерсона на PyCon 2013, в котором обсуждается внутреннее представление Unicode в Python 3.3.472473## Благодарности474475Первоначальный черновик этого документа написал Эндрю Кухлинг. Впоследствии он был доработан Александром Белопольским, Георгом Брандлем, Эндрю Кухлингом и Эцио Мелотти.476477Благодарности следующим людям, которые указали на ошибки или предложили улучшения: Эрик Араужо, Николас Бастин, Ник Коглан, Мариус Гедминас, Кент Джонсон, Кен Круглер, Марк-Андре Лембург, Мартин фон Лёвис, Терри Дж. Риди, Сергей Сторчака, Эрик Сан, Чад Уиттакр, Грэм Уайдман.478