如何检查字符串是 unicode 还是 ascii？

Question

我必须在 Python 中做什么才能确定字符串具有哪种编码？

Answer 1

在 Python 3 中，所有字符串都是 Unicode 字符序列。有一个 bytes 类型保存原始字节。

在 Python 2 中，字符串可以是 str 类型或 unicode 类型。您可以使用类似这样的代码来判断哪个：

def whatisthis(s):
    if isinstance(s, str):
        print "ordinary string"
    elif isinstance(s, unicode):
        print "unicode string"
    else:
        print "not a string"

这不区分“Unicode 或 ASCII”；它只区分 Python 类型。一个 Unicode 字符串可能由纯 ASCII 范围内的字符组成，而一个字节串可能包含 ASCII、编码的 Unicode，甚至是非文本数据。

Answer 2

如何判断一个对象是unicode字符串还是字节字符串

您可以使用type 或isinstance。

在 Python 2 中：

>>> type(u'abc')  # Python 2 unicode string literal
<type 'unicode'>
>>> type('abc')   # Python 2 byte string literal
<type 'str'>

在 Python 2 中，str 只是一个字节序列。 Python不知道什么 它的编码是。 unicode 类型是更安全的文本存储方式。 如果你想了解更多，我推荐http://farmdev.com/talks/unicode/。

在 Python 3 中：

>>> type('abc')   # Python 3 unicode string literal
<class 'str'>
>>> type(b'abc')  # Python 3 byte string literal
<class 'bytes'>

在 Python 3 中，str 类似于 Python 2 的 unicode，用于 存储文本。在 Python 2 中称为 str 在 Python 3 中称为 bytes。

---

如何判断一个字节字符串是有效的 utf-8 还是 ascii

您可以拨打decode。如果它引发 UnicodeDecodeError 异常，则它无效。

>>> u_umlaut = b'\xc3\x9c'   # UTF-8 representation of the letter 'Ü'
>>> u_umlaut.decode('utf-8')
u'\xdc'
>>> u_umlaut.decode('ascii')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 0: ordinal not in range(128)

Answer 3

在 python 3.x 中，所有字符串都是 Unicode 字符序列。并且对 str 进行 isinstance 检查（默认情况下表示 unicode 字符串）就足够了。

isinstance(x, str)

关于 python 2.x， 大多数人似乎都在使用一个有两个检查的 if 语句。一个用于 str，一个用于 unicode。

如果你想用一个语句检查你是否有一个“类似字符串”的对象，你可以执行以下操作：

isinstance(x, basestring)

Answer 4

Unicode 不是一种编码 - 引用 Kumar McMillan 的话：

如果 ASCII、UTF-8 和其他字节字符串是“文本”...

...那么 Unicode 是“文本性”；

是文本的抽象形式

阅读 McMillan 在 PyCon 2008 上的 Unicode In Python, Completely Demystified 演讲，它比 Stack Overflow 上的大多数相关答案更能解释问题。

Answer 5

如果您的代码需要与 Python 2 和 Python 3 兼容，则不能直接使用 isinstance(s,bytes) 或 isinstance(s,unicode) 之类的东西，而无需将它们包装在 try/except 或 a python版本测试，因为bytes在Python 2中未定义，unicode在Python 3中未定义。

有一些丑陋的解决方法。一个极其丑陋的方法是比较类型的name，而不是比较类型本身。这是一个例子：

# convert bytes (python 3) or unicode (python 2) to str
if str(type(s)) == "<class 'bytes'>":
    # only possible in Python 3
    s = s.decode('ascii')  # or  s = str(s)[2:-1]
elif str(type(s)) == "<type 'unicode'>":
    # only possible in Python 2
    s = str(s)

一个可以说不那么难看的解决方法是检查 Python 版本号，例如：

if sys.version_info >= (3,0,0):
    # for Python 3
    if isinstance(s, bytes):
        s = s.decode('ascii')  # or  s = str(s)[2:-1]
else:
    # for Python 2
    if isinstance(s, unicode):
        s = str(s)

这些都不是pythonic，而且大多数时候可能有更好的方法。

Answer 6

使用：

import six
if isinstance(obj, six.text_type)

在六库中表示为：

if PY3:
    string_types = str,
else:
    string_types = basestring,

Answer 7

请注意，在 Python 3 上，说以下任何一个都不公平：

• strs 是任何 x 的 UTFx（例如 UTF8）

• strs 是 Unicode

• strs 是 Unicode 字符的有序集合

Python 的str 类型（通常）是一系列 Unicode 代码点，其中一些映射到字符。

---

即使在 Python 3 上，回答这个问题也没有你想象的那么简单。

测试 ASCII 兼容字符串的一个明显方法是尝试编码：

"Hello there!".encode("ascii")
#>>> b'Hello there!'

"Hello there... ☃!".encode("ascii")
#>>> Traceback (most recent call last):
#>>>   File "", line 4, in <module>
#>>> UnicodeEncodeError: 'ascii' codec can't encode character '\u2603' in position 15: ordinal not in range(128)

错误区分大小写。

在 Python 3 中，甚至有一些字符串包含无效的 Unicode 代码点：

"Hello there!".encode("utf8")
#>>> b'Hello there!'

"\udcc3".encode("utf8")
#>>> Traceback (most recent call last):
#>>>   File "", line 19, in <module>
#>>> UnicodeEncodeError: 'utf-8' codec can't encode character '\udcc3' in position 0: surrogates not allowed

使用相同的方法来区分它们。

Answer 8

这可能对其他人有所帮助，我开始测试变量 s 的字符串类型，但对于我的应用程序，将 s 简单地返回为 utf-8 更有意义。调用 return_utf 的进程知道它正在处理什么并可以适当地处理字符串。代码不是原始的，但我打算让它与 Python 版本无关，无需版本测试或导入六个。请评论以下示例代码的改进以帮助其他人。

def return_utf(s):
    if isinstance(s, str):
        return s.encode('utf-8')
    if isinstance(s, (int, float, complex)):
        return str(s).encode('utf-8')
    try:
        return s.encode('utf-8')
    except TypeError:
        try:
            return str(s).encode('utf-8')
        except AttributeError:
            return s
    except AttributeError:
        return s
    return s # assume it was already utf-8

Answer 9

您可以使用Universal Encoding Detector，但请注意，它只会给您最好的猜测，而不是实际的编码，因为不可能知道字符串“abc”的编码。您将需要在别处获取编码信息，例如 HTTP 协议为此使用 Content-Type 标头。

Answer 10

在 Python-3 中，我必须了解字符串是像 b='\x7f\x00\x00\x01' 还是 b='127.0.0.1' 我的解决方案是这样的：

def get_str(value):
    str_value = str(value)
    
    if str_value.isprintable():
        return str_value

    return '.'.join(['%d' % x for x in value])

为我工作，我希望为需要的人工作

Answer 11

为了 py2/py3 的兼容性，只需使用

import six if isinstance(obj, six.text_type)

Answer 12

一种简单的方法是检查unicode 是否为内置函数。如果是这样，你在 Python 2 中，你的字符串将是一个字符串。为确保一切都在unicode 中，可以这样做：

import builtins

i = 'cats'
if 'unicode' in dir(builtins):     # True in python 2, False in 3
  i = unicode(i)