处理字符串时的 str.isdigit() 行为

Question

假设如下：

>>> square = '²'      # Superscript Two (Unicode U+00B2)
>>> cube  = '³'       # Superscript Three (Unicode U+00B3)

奇怪的是：

>>> square.isdigit()
True
>>> cube.isdigit()
True

好的，让我们将这些“数字”转换为整数：

>>> int(square)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: invalid literal for int() with base 10: '²'
>>> int(cube)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: invalid literal for int() with base 10: '³'

哎呀！

有人能解释一下我在处理字符串时应该从str.isdigit() 方法中得到什么行为吗？

Answer 1

str.isdigit 不声称与 int 的可解析性有关。它报告了一个简单的 Unicode 属性，它是十进制字符还是某种数字：

str.isdigit()

如果字符串中的所有字符都是数字并且至少有一个字符，则返回True，否则返回False。数字包括十进制字符和需要特殊处理的数字，例如兼容性上标数字。这涵盖了不能用于​​形成以 10 为底的数字的数字，例如 Kharosthi 数字。形式上，数字是具有属性值 Numeric_Type=Digit 或 Numeric_Type=Decimal 的字符。

简而言之，str.isdigit 对于检测有效数字毫无用处。检查给定字符串是否为合法整数的正确解决方案是在其上调用int，如果它不是合法整数，则捕获ValueError。您所做的任何其他事情都会（严重地）重新发明int() 中的实际解析代码执行的相同测试，那么为什么不让它首先完成工作呢？

旁注：您错误地使用了术语“utf-8”。 UTF-8 是一种特殊的 Unicode 编码方式，仅适用于原始二进制数据。 Python 的str 是一种“理想化”的Unicode 文本类型；它没有编码（在引擎盖下，它被存储为 ASCII、latin-1、UCS-2、UCS-4 和可能还有 UTF-8 之一，但在 Python 层中，除了间接测量之外，这些都不可见比如sys.getsizeof，它只通过让你看到字符串消耗了多少内存来暗示底层编码）。您所说的字符是 ASCII 范围以上的简单 Unicode 字符，它们不是专门的 UTF-8。