unicode.md
1> **Источник:** https://python-all.ru/3.3/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 Unicode89| Версия: | 1.12 |10| --- | --- |1112В этом HOWTO рассматривается поддержка Unicode в Python и объясняются различные проблемы, с которыми люди часто сталкиваются при работе с Unicode.1314## Введение в Unicode1516### История кодировок символов1718В 1968 году был стандартизирован American Standard Code for Information Interchange, более известный под аббревиатурой ASCII. ASCII определил числовые коды для различных символов, причем числовые значения варьировались от 0 до 127. Например, строчная буква 'a' получила код 97.1920ASCII был стандартом, разработанным в США, поэтому он определял только символы без диакритических знаков. Буква 'e' была, а 'é' или 'Í' – нет. Это означало, что языки, требующие диакритических знаков, не могли быть точно представлены в ASCII. (На самом деле отсутствие диакритических знаков имеет значение и для английского, в котором есть такие слова, как 'naïve' и 'café', а некоторые издательства требуют написания вроде 'coöperate'.)2122Некоторое время люди просто писали программы, которые не отображали диакритические знаки. В середине 1980-х программа на Apple II BASIC, написанная носителем французского языка, могла содержать строки вроде этих:2324```python25PRINT "FICHIER EST COMPLETE."26PRINT "CARACTERE NON ACCEPTE."27```2829Эти сообщения должны содержать акценты (completé, caractère, accepté), и они выглядят неверными для человека, читающего по-французски.3031В 1980-х почти все персональные компьютеры были 8-битными, то есть байты могли хранить значения от 0 до 255. Коды ASCII доходили только до 127, поэтому некоторые машины присваивали значения от 128 до 255 символам с диакритическими знаками. Однако разные машины имели разные коды, что приводило к проблемам при обмене файлами. В конце концов появилось несколько часто используемых наборов значений для диапазона 128–255. Одни из них были настоящими стандартами, определёнными Международной организацией по стандартизации, а другие – *de facto* соглашениями, созданными той или иной компанией и получившими распространение.3233255 символов – не так много. Например, невозможно уместить одновременно символы с диакритикой, используемые в Западной Европе, и кириллицу для русского языка в диапазон 128–255, потому что таких символов больше 127.3435Можно было записывать файлы, используя разные кодировки (все русские файлы в кодировке KOI8, все французские файлы в другой кодировке Latin1), но что, если нужно было написать французский документ, цитирующий русский текст? В 1980-х люди начали искать решение этой проблемы, и началась работа по стандартизации Unicode.3637Изначально Unicode использовал 16-битные символы вместо 8-битных. 16 бит дают 2^16 = 65 536 различных значений, что позволяет представить множество символов из самых разных алфавитов; первоначальная цель заключалась в том, чтобы Unicode включал алфавиты всех языков человечества. Однако оказалось, что даже 16 бит недостаточно для достижения этой цели, и современная спецификация Unicode использует более широкий диапазон кодов: от 0 до 1 114 111 (`0x10FFFF` в 16-ричной системе).3839Существует связанный стандарт ISO – ISO 10646. Unicode и ISO 10646 изначально были разными проектами, но спецификации были объединены в версии Unicode 1.1.4041(Это обсуждение истории Unicode сильно упрощено. Точные исторические детали не обязательны для понимания того, как эффективно использовать Unicode, но если вам интересно, обратитесь к сайту консорциума Unicode, указанному в разделе «Ссылки», или к [статье в Википедии об Unicode](https://python-all.ru/3.3/howto/unicode.html) для получения дополнительной информации.)4243### Определения4445**Символ** – это наименьший возможный компонент текста. 'A', 'B', 'C' и т.д. – всё это разные символы. Также как 'È' и 'Í'. Символы – это абстракции, и они варьируются в зависимости от языка или контекста. Например, символ ома (Ω) обычно рисуется очень похоже на заглавную букву омега (Ω) в греческом алфавите (в некоторых шрифтах они могут даже совпадать), но это два разных символа с разными значениями.4647Стандарт Unicode описывает, как символы представляются с помощью **кодовых точек**. Кодовая точка – это целое число, обычно обозначаемое в 16-ричной системе. В стандарте кодовая точка записывается в нотации `U+12CA`, что означает символ со значением `0x12ca` (4 810 в десятичной). Стандарт Unicode содержит множество таблиц, перечисляющих символы и соответствующие им кодовые точки:4849```text500061 'a'; LATIN SMALL LETTER A510062 'b'; LATIN SMALL LETTER B520063 'c'; LATIN SMALL LETTER C53...54007B '{'; LEFT CURLY BRACKET55```5657Строго говоря, из этих определений следует, что бессмысленно говорить «это символ `U+12CA`». `U+12CA` – это кодовая точка, которая представляет некоторый конкретный символ; в данном случае она представляет символ «ETHIOPIC SYLLABLE WI». В неформальном контексте это различие между кодовыми точками и символами иногда забывается.5859Символ 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.6061### Кодировки6263Подытожим предыдущий раздел: Unicode-строка – это последовательность кодовых точек, которые представляют собой числа от 0 до `0x10FFFF` (1 114 111 в десятичной системе). Эта последовательность должна быть представлена в памяти в виде набора байтов (то есть значений от 0 до 255). Правила преобразования Unicode-строки в последовательность байтов называются **кодировкой**.6465Первая кодировка, которая может прийти в голову – это массив 32-битных целых чисел. В этом представлении строка «Python» будет выглядеть так:6667```text68 P y t h o n690x50 00 00 00 79 00 00 00 74 00 00 00 68 00 00 00 6f 00 00 00 6e 00 00 0070 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 2371```7273Такое представление интуитивно понятно, но его использование порождает ряд проблем.74751. Оно не является переносимым: разные процессоры по-разному упорядочивают байты.762. Это очень расточительно с точки зрения пространства. В большинстве текстов основная часть кодовых точек меньше 127 или меньше 255, поэтому много места занимают байты `0x00`. Приведённая выше строка занимает 24 байта по сравнению с 6 байтами, необходимыми для представления в ASCII. Увеличение использования оперативной памяти не так важно (настольные компьютеры имеют гигабайты RAM, а строки обычно не настолько велики), но увеличение использования диска и пропускной способности сети в 4 раза нетерпимо.773. Она несовместима с существующими функциями C, такими как `strlen()`, поэтому пришлось бы использовать новое семейство функций для работы с широкими строками.784. Многие интернет-стандарты определены в терминах текстовых данных и не могут обрабатывать содержимое с встроенными нулевыми байтами.7980Обычно люди не используют эту кодировку, предпочитая другие кодировки, которые более эффективны и удобны. UTF-8, вероятно, самая распространённая поддерживаемая кодировка; она будет рассмотрена ниже.8182Кодировки не обязаны обрабатывать все возможные символы Unicode, и большинство кодировок этого не делают. Правила преобразования строки Unicode в кодировку ASCII, например, просты; для каждой кодовой точки:83841. Если кодовая точка \< 128, каждый байт равен значению кодовой точки.852. Если кодовая точка равна 128 или больше, Unicode-строка не может быть представлена в этой кодировке. (В этом случае Python возбуждает исключение [`UnicodeEncodeError`](https://python-all.ru/3.3/library/exceptions.html#UnicodeEncodeError).)8687Latin-1, также известная как ISO-8859-1, является аналогичной кодировкой. Кодовые точки Unicode 0–255 идентичны значениям Latin-1, поэтому преобразование в эту кодировку просто требует преобразования кодовых точек в байтовые значения; если встречается кодовая точка больше 255, строка не может быть закодирована в Latin-1.8889Кодировки не обязательно должны быть простыми однозначными отображениями, как Latin-1. Рассмотрим EBCDIC от IBM, которая использовалась на мейнфреймах IBM. Значения букв не были в одном блоке: от 'a' до 'i' имели значения от 129 до 137, а от 'j' до 'r' – от 145 до 153. Если бы вы хотели использовать EBCDIC в качестве кодировки, вам, вероятно, пришлось бы использовать какую-нибудь таблицу поиска для выполнения преобразования, но это в значительной степени внутренняя деталь.9091UTF-8 – одна из наиболее часто используемых кодировок. UTF расшифровывается как «Unicode Transformation Format», а цифра '8' означает, что в кодировке используются 8-битные числа. (Существуют также кодировки UTF-16 и UTF-32, но они используются реже, чем UTF-8.) UTF-8 использует следующие правила:92931. Если кодовая точка \< 128, она представляется соответствующим значением байта.942. Если кодовая точка \>= 128, она преобразуется в последовательность из двух, трёх или четырёх байт, причём каждый байт находится в диапазоне от 128 до 255.9596UTF-8 обладает несколькими удобными свойствами:97981. Она может обрабатывать любую кодовую точку Юникода.992. Unicode-строка преобразуется в строку байтов, не содержащую встроенных нулевых байтов. Это позволяет избежать проблем с порядком байтов и означает, что строки UTF-8 могут обрабатываться функциями C, такими как `strcpy()`, и передаваться по протоколам, которые не могут обрабатывать нулевые байты.1003. Любая строка ASCII также является корректным текстом UTF-8.1014. UTF-8 довольно компактна; большинство часто используемых символов можно представить одним или двумя байтами.1025. 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-8.103104### Ссылки105106The [Unicode Consortium site](https://python-all.ru/3.3/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/3.3/howto/unicode.html) of the origin and development of Unicode is also available on the site.107108To help understand the standard, Jukka Korpela has written [an introductory guide](https://python-all.ru/3.3/howto/unicode.html) to reading the Unicode character tables.109110Another [good introductory article](https://python-all.ru/3.3/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.111112Wikipedia entries are often helpful; see the entries for “[character encoding](https://python-all.ru/3.3/howto/unicode.html)” and [UTF-8](https://python-all.ru/3.3/howto/unicode.html), for example.113114## Поддержка Юникода в Python115116Теперь, когда вы освоили основы Юникода, давайте рассмотрим возможности Python по работе с ним.117118### Тип строки119120Начиная с Python 3.0, в языке есть тип [`str`](https://python-all.ru/3.3/library/stdtypes.html#str), который содержит символы Unicode. Это означает, что любая строка, созданная с помощью `"unicode rocks!"`, `'unicode rocks!'` или синтаксиса тройных кавычек, хранится как Unicode.121122Кодировка исходного кода Python по умолчанию – UTF-8, поэтому можно просто включить символ Юникода в строковый литерал:123124```python125try:126 with open('/tmp/input.txt', 'r') as f:127 ...128except IOError:129 # Сообщение об ошибке 'File not found'.130 print("Fichier non trouvé")131```132133Можно использовать другую кодировку, отличную от UTF-8, поместив специально оформленный комментарий в первую или вторую строку исходного кода:134135```python136# -*- coding: <encoding name> -*-137```138139Попутное замечание: Python 3 также поддерживает использование символов Юникода в идентификаторах:140141```python142répertoire = "/tmp/records.log"143with open(répertoire, "w") as f:144 f.write("test\n")145```146147Если 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.)148149```python150>>> "\N{GREEK CAPITAL LETTER DELTA}" # Использование имени символа151'\u0394'152>>> "\u0394" # Использование 16-битного шестнадцатеричного значения153'\u0394'154>>> "\U00000394" # Использование 32-битного шестнадцатеричного значения155'\u0394'156```157158Кроме того, строку можно создать с помощью метода [`decode()`](https://python-all.ru/3.3/library/stdtypes.html#bytes.decode) объекта [`bytes`](https://python-all.ru/3.3/library/functions.html#bytes). Этот метод принимает аргумент *encoding*, например `UTF-8`, и опционально аргумент *errors*.159160Аргумент *errors* задаёт реакцию, когда входную строку невозможно преобразовать в соответствии с правилами кодировки. Допустимые значения этого аргумента: `'strict'` (возбуждает исключение [`UnicodeDecodeError`](https://python-all.ru/3.3/library/exceptions.html#UnicodeDecodeError)), `'replace'` (использует `U+FFFD`, `REPLACEMENT CHARACTER`) или `'ignore'` (просто исключает символ из Unicode-результата). Следующие примеры показывают различия:161162```python163>>> b'\x80abc'.decode("utf-8", "strict") 164Traceback (most recent call last):165 ...166UnicodeDecodeError: 'utf-8' codec can't decode byte 0x80 in position 0:167 invalid start byte168>>> b'\x80abc'.decode("utf-8", "replace")169'\ufffdabc'170>>> b'\x80abc'.decode("utf-8", "ignore")171'abc'172```173174(В этом примере кода заменяющий символ Unicode заменён вопросительным знаком, поскольку на некоторых системах он может не отображаться.)175176Кодировки задаются строками, содержащими имя кодировки. Python 3.2 поставляется примерно со 100 различными кодировками; см. [*Standard Encodings*](https://python-all.ru/3.3/library/codecs.html#standard-encodings) в Python Library Reference для полного списка. Некоторые кодировки имеют несколько имён; например, `'latin-1'`, `'iso_8859_1'` и `'8859`‘ – все синонимы одной и той же кодировки.177178Односимвольные Unicode-строки также можно создать с помощью встроенной функции [`chr()`](https://python-all.ru/3.3/library/functions.html#chr), которая принимает целые числа и возвращает Unicode-строку длиной 1, содержащую соответствующую кодовую точку. Обратная операция – встроенная функция [`ord()`](https://python-all.ru/3.3/library/functions.html#ord), которая принимает односимвольную Unicode-строку и возвращает значение кодовой точки:179180```python181>>> chr(57344)182'\ue000'183>>> ord('\ue000')18457344185```186187### Преобразование в байты188189Противоположный метод [`bytes.decode()`](https://python-all.ru/3.3/library/stdtypes.html#bytes.decode) – это [`str.encode()`](https://python-all.ru/3.3/library/stdtypes.html#str.encode), который возвращает [`bytes`](https://python-all.ru/3.3/library/functions.html#bytes) представление Unicode-строки, закодированное в запрошенной *encoding*.190191Параметр *errors* такой же, как параметр метода [`decode()`](https://python-all.ru/3.3/library/stdtypes.html#bytes.decode), но поддерживает несколько дополнительных обработчиков. Помимо `'strict'`, `'ignore'` и `'replace'` (который в этом случае вставляет вопросительный знак вместо некодируемого символа), есть также `'xmlcharrefreplace'` (вставляет XML-ссылку на символ) и `backslashreplace` (вставляет управляющую последовательность `\uNNNN`).192193В следующем примере показаны различные результаты:194195```python196>>> u = chr(40960) + 'abcd' + chr(1972)197>>> u.encode('utf-8')198b'\xea\x80\x80abcd\xde\xb4'199>>> u.encode('ascii') 200Traceback (most recent call last):201 ...202UnicodeEncodeError: 'ascii' codec can't encode character '\ua000' in203 position 0: ordinal not in range(128)204>>> u.encode('ascii', 'ignore')205b'abcd'206>>> u.encode('ascii', 'replace')207b'?abcd?'208>>> u.encode('ascii', 'xmlcharrefreplace')209b'ꀀabcd޴'210>>> u.encode('ascii', 'backslashreplace')211b'\\ua000abcd\\u07b4'212```213214Низкоуровневые подпрограммы для регистрации и доступа к доступным кодировкам находятся в модуле [`codecs`](https://python-all.ru/3.3/library/codecs.html#module-codecs). Реализация новых кодировок также требует понимания модуля [`codecs`](https://python-all.ru/3.3/library/codecs.html#module-codecs). Однако функции кодирования и декодирования, возвращаемые этим модулем, обычно слишком низкоуровневые, чтобы быть удобными, а написание новых кодировок – специализированная задача, поэтому этот модуль не будет рассматриваться в данном HOWTO.215216### Литералы Unicode в исходном коде Python217218В 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:219220```python221>>> s = "a\xac\u1234\u20ac\U00008000"222... # ^^^^ двузначная шестнадцатеричная escape-последовательность223... # ^^^^^^ четырёхзначная Unicode escape-последовательность224... # ^^^^^^^^^^ восьмизначная Unicode escape-последовательность225>>> [ord(c) for c in s]226[97, 172, 4660, 8364, 32768]227```228229Использование управляющих последовательностей для кодовых точек больше 127 допустимо в небольших количествах, но становится утомительным, если используется много символов с диакритическими знаками, как в программе с сообщениями на французском или другом языке, использующем такие знаки. Можно также собирать строки с помощью встроенной функции [`chr()`](https://python-all.ru/3.3/library/functions.html#chr), но это ещё более кропотливо.230231В 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.232233По 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:234235```python236#!/usr/bin/env python237# -*- coding: latin-1 -*-238239u = 'abcdé'240print(ord(u[-1]))241```242243Синтаксис вдохновлён нотацией Emacs для указания переменных, локальных для файла. Emacs поддерживает множество различных переменных, но Python поддерживает только «coding». Символы `-*-` указывают Emacs, что комментарий особенный; для Python они не имеют значения, но являются соглашением. Python ищет в комментарии `coding: name` или `coding=name`.244245Если такой комментарий не включён, по умолчанию будет использоваться кодировка UTF-8, как уже упоминалось. См. также [**PEP 263**](https://python-all.ru/3.3/howto/unicode.html) для получения дополнительной информации.246247### Свойства Unicode248249Спецификация Unicode включает базу данных информации о кодовых точках. Для каждой определённой кодовой точки информация включает имя символа, его категорию, числовое значение, если применимо (Unicode содержит символы, представляющие римские цифры и дроби, такие как одна треть и четыре пятых). Существуют также свойства, связанные с использованием кодовой точки в двунаправленном тексте и другие свойства, относящиеся к отображению.250251Следующая программа выводит некоторую информацию о нескольких символах и печатает числовое значение одного конкретного символа:252253```python254import unicodedata255256u = chr(233) + chr(0x0bf2) + chr(3972) + chr(6000) + chr(13231)257258for i, c in enumerate(u):259 print(i, '%04x' % ord(c), unicodedata.category(c), end=" ")260 print(unicodedata.name(c))261262# Получить числовое значение второго символа263print(unicodedata.numeric(u[1]))264```265266При запуске выводится:267268```text2690 00e9 Ll LATIN SMALL LETTER E WITH ACUTE2701 0bf2 No TAMIL NUMBER ONE THOUSAND2712 0f84 Mn TIBETAN MARK HALANTA2723 1770 Lo TAGBANWA LETTER SA2734 33af So SQUARE RAD OVER S SQUARED2741000.0275```276277Коды категорий – это сокращения, описывающие природу символа. Они сгруппированы в категории, такие как «Letter», «Number», «Punctuation» или «Symbol», которые в свою очередь разбиты на подкатегории. Взяв коды из приведённого выше вывода, `'Ll'` означает «Letter, lowercase» (буква, строчная), `'No'` – «Number, other» (число, прочее), `'Mn'` – «Mark, nonspacing» (знак, некомбинирующий), а `'So'` – «Symbol, other» (символ, прочее). Список кодов категорий см. в [разделе General Category Values документации Unicode Character Database](https://python-all.ru/3.3/howto/unicode.html).278279### Регулярные выражения Unicode280281Регулярные выражения, поддерживаемые модулем [`re`](https://python-all.ru/3.3/library/re.html#module-re), могут быть заданы как в виде байтов, так и в виде строк. Некоторые специальные последовательности символов, такие как `\d` и `\w`, имеют разные значения в зависимости от того, задан ли шаблон как байты или как строка. Например, `\d` будет соответствовать символам `[0-9]` в байтах, но в строках будет соответствовать любому символу из категории `'Nd'`.282283Строка в этом примере содержит число 57, записанное как тайскими, так и арабскими цифрами:284285```python286import re287p = re.compile('\d+')288289s = "Over \u0e55\u0e57 57 flavours"290m = p.search(s)291print(repr(m.group()))292```293294При выполнении `\d+` будет соответствовать тайским цифрам и выведет их. Если передать флаг [`re.ASCII`](https://python-all.ru/3.3/library/re.html#re.ASCII) в [`compile()`](https://python-all.ru/3.3/library/re.html#re.compile), то `\d+` будет соответствовать подстроке «57».295296Аналогично, `\w` соответствует широкому спектру символов Unicode, но только `[a-zA-Z0-9_]` в байтах или если указан [`re.ASCII`](https://python-all.ru/3.3/library/re.html#re.ASCII), а `\s` будет соответствовать либо пробельным символам Unicode, либо `[ \t\n\r\f\v]`.297298### Ссылки299300Некоторые хорошие альтернативные обсуждения поддержки Unicode в Python:301302- [Обработка текстовых файлов в Python 3](https://python-all.ru/3.3/howto/unicode.html), автор Ник Коглан.303- [Pragmatic Unicode](https://python-all.ru/3.3/howto/unicode.html) – презентация Неда Бэтчелдера на PyCon 2012.304305Тип [`str`](https://python-all.ru/3.3/library/stdtypes.html#str) описан в справочнике по библиотеке Python в разделе [*Text Sequence Type – str*](https://python-all.ru/3.3/library/stdtypes.html#textseq).306307Документация модуля [`unicodedata`](https://python-all.ru/3.3/library/unicodedata.html#module-unicodedata).308309Документация модуля [`codecs`](https://python-all.ru/3.3/library/codecs.html#module-codecs).310311Марк-Андре Лембург представил [презентацию под названием «Python and Unicode» (слайды PDF)](https://python-all.ru/3.3/howto/unicode.html) на EuroPython 2002. Слайды дают отличный обзор устройства поддержки Unicode в Python 2 (где строковый тип Unicode обозначается как `unicode`, а литералы начинаются с `u`).312313## Чтение и запись данных Unicode314315После 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?316317Возможно, 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.318319Данные 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 bytes-объект и преобразовать байты с помощью `bytes.decode(encoding)`. Однако ручной подход не рекомендуется.320321Одна 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.)322323Решением было бы использование низкоуровневого интерфейса декодирования для обработки случая частичных кодовых последовательностей. Работа по его реализации уже выполнена: встроенная функция [`open()`](https://python-all.ru/3.3/library/functions.html#open) может возвращать файлоподобный объект, который предполагает, что содержимое файла находится в указанной кодировке, и принимает параметры Unicode для таких методов, как [`read()`](https://python-all.ru/3.3/library/io.html#io.TextIOBase.read) и [`write()`](https://python-all.ru/3.3/library/io.html#io.TextIOBase.write). Это работает благодаря параметрам [`open()`](https://python-all.ru/3.3/library/functions.html#open) *encoding* и *errors*, которые интерпретируются так же, как в [`str.encode()`](https://python-all.ru/3.3/library/stdtypes.html#str.encode) и [`bytes.decode()`](https://python-all.ru/3.3/library/stdtypes.html#bytes.decode).324325Чтение Unicode из файла, таким образом, просто:326327```python328with open('unicode.txt', encoding='utf-8') as f:329 for line in f:330 print(repr(line))331```332333Также можно открывать файлы в режиме обновления, позволяющем как чтение, так и запись:334335```python336with open('test', encoding='utf-8', mode='w+') as f:337 f.write('\u4500 blah blah blah\n')338 f.seek(0)339 print(repr(f.readline()[:1]))340```341342Символ Юникода `U+FEFF` используется в качестве метки порядка байтов (BOM) и часто записывается первым символом файла, чтобы помочь автоматическому определению порядка байтов файла. Некоторые кодировки, например UTF-16, ожидают наличия BOM в начале файла; при использовании такой кодировки BOM автоматически записывается как первый символ и молча отбрасывается при чтении файла. Существуют варианты этих кодировок, такие как 'utf-16-le' и 'utf-16-be' для little-endian и big-endian соответственно, которые задают конкретный порядок байтов и не пропускают BOM.343344В 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 объявляет, что файл закодирован в UTF-8. Используйте кодировку 'utf-8-sig', чтобы автоматически пропускать метку, если она присутствует, при чтении таких файлов.345346### Имена файлов в Unicode347348Большинство распространённых сегодня операционных систем поддерживают имена файлов, содержащие произвольные символы Юникода. Обычно это реализуется преобразованием строки Юникода в некоторую кодировку, зависящую от системы. Например, Mac OS X использует UTF-8, а Windows – настраиваемую кодировку; в Windows Python использует имя “mbcs” для обозначения текущей настроенной кодировки. В Unix-системах кодировка файловой системы существует только при установке переменных окружения `LANG` или `LC_CTYPE`; в противном случае кодировкой по умолчанию является UTF-8.349350Функция [`sys.getfilesystemencoding()`](https://python-all.ru/3.3/library/sys.html#sys.getfilesystemencoding) возвращает кодировку, используемую в текущей системе, на случай, если понадобится выполнить кодирование вручную, но обычно в этом нет особой необходимости. При открытии файла для чтения или записи можно просто передать строку Юникода в качестве имени файла, и она будет автоматически преобразована в нужную кодировку.351352```python353filename = 'filename\u4500abc'354with open(filename, 'w') as f:355 f.write('blah\n')356```357358Функции из модуля [`os`](https://python-all.ru/3.3/library/os.html#module-os), такие как [`os.stat()`](https://python-all.ru/3.3/library/os.html#os.stat), также принимают имена файлов в Юникоде.359360Функция [`os.listdir()`](https://python-all.ru/3.3/library/os.html#os.listdir) возвращает имена файлов и порождает вопрос: должна ли она возвращать имена файлов в Юникоде или байты, содержащие их закодированные версии? [`os.listdir()`](https://python-all.ru/3.3/library/os.html#os.listdir) делает и то, и другое, в зависимости от того, был ли передан путь к каталогу в виде байтов или строки Юникода. Если передать путь как строку Юникода, имена файлов будут декодированы с использованием кодировки файловой системы, и будет возвращён список строк Юникода; если передать путь как байты, имена файлов будут возвращены в виде байтов. Например, если предположить, что кодировка файловой системы по умолчанию – UTF-8, выполнение следующей программы:361362```python363fn = 'filename\u4500abc'364f = open(fn, 'w')365f.close()366367import os368print(os.listdir(b'.'))369print(os.listdir('.'))370```371372выдаст следующий результат:373374```python375amk:~$ python t.py376[b'filename\xe4\x94\x80abc', ...]377['filename\u4500abc', ...]378```379380Первый список содержит имена файлов в кодировке UTF-8, а второй список – версии в Unicode.381382Обратите внимание: в большинстве случаев следует использовать API Unicode. API для байтов стоит использовать только в системах, где могут встретиться не декодируемые имена файлов, то есть в Unix-системах.383384### Советы по написанию программ с поддержкой Unicode385386В этом разделе приводятся некоторые рекомендации по написанию программного обеспечения, работающего с Unicode.387388Самый важный совет:389390> Программное обеспечение должно работать внутри только со строками Unicode, декодируя входные данные как можно раньше и кодируя вывод только в конце.391392Если попытаться написать функции обработки, которые принимают как строки Юникода, так и байтовые строки, программа будет уязвима для ошибок в местах, где используются строки разных типов. Автоматического кодирования или декодирования не происходит: например, при попытке выполнить `str + bytes` будет возбуждено исключение [`TypeError`](https://python-all.ru/3.3/library/exceptions.html#TypeError).393394При 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.395396#### Преобразование между кодировками файлов397398Класс [`StreamRecoder`](https://python-all.ru/3.3/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 #2.399400Например, если имеется входной файл *f* в кодировке Latin-1, его можно обернуть с помощью [`StreamRecoder`](https://python-all.ru/3.3/library/codecs.html#codecs.StreamRecoder), чтобы получать байты, закодированные в UTF-8:401402```python403new_f = codecs.StreamRecoder(f,404 # кодер/декодер: используется read() для кодирования результатов и405 # с помощью write() для декодирования своего ввода.406 codecs.getencoder('utf-8'), codecs.getdecoder('utf-8'),407408 # читатель/писатель: используется для чтения и записи в поток.409 codecs.getreader('latin-1'), codecs.getwriter('latin-1') )410```411412#### Файлы в неизвестной кодировке413414Что делать, если нужно изменить файл, но неизвестна его кодировка? Если известно, что кодировка совместима с ASCII, и требуется только просмотреть или изменить ASCII-части, файл можно открыть с обработчиком ошибок `surrogateescape`:415416```python417with open(fname, 'r', encoding="ascii", errors="surrogateescape") as f:418 data = f.read()419420# внести изменения в строку 'data'421422with open(fname + '.new', 'w',423 encoding="ascii", errors="surrogateescape") as f:424 f.write(data)425```426427Обработчик ошибок `surrogateescape` декодирует любые не-ASCII байты в кодовые точки из области частного использования Юникода в диапазоне от U+DC80 до U+DCFF. Эти частные кодовые точки затем будут преобразованы обратно в те же байты при использовании обработчика ошибок `surrogateescape` при кодировании данных и их записи обратно.428429### Ссылки430431Один раздел доклада [Mastering Python 3 Input/Output](https://python-all.ru/3.3/howto/unicode.html), представленного Дэвидом Бизли на PyCon 2010, посвящён обработке текста и работе с двоичными данными.432433[Слайды PDF презентации Марка-Андре Лембурга «Writing Unicode-aware Applications in Python»](https://python-all.ru/3.3/howto/unicode.html) обсуждают вопросы кодировок символов, а также то, как интернационализировать и локализовать приложение. Эти слайды касаются только Python 2.x.434435[The Guts of Unicode in Python](https://python-all.ru/3.3/howto/unicode.html) – это доклад Бенджамина Петерсона на PyCon 2013, в котором обсуждается внутреннее представление Unicode в Python 3.3.436437## Благодарности438439Первоначальный черновик этого документа написал Эндрю Кухлинг. Впоследствии он был доработан Александром Белопольским, Георгом Брандлем, Эндрю Кухлингом и Эцио Мелотти.440441Благодарности следующим людям, которые заметили ошибки или предложили улучшения для этой статьи: Éric Araujo, Nicholas Bastin, Nick Coghlan, Marius Gedminas, Kent Johnson, Ken Krugler, Marc-André Lemburg, Martin von Löwis, Terry J. Reedy, Chad Whitacre.442