为什么这种转换为 utf8 不起作用？

Question

我有一个输出一些字符的子进程命令，例如'\xf1'。我正在尝试将其解码为 utf8，但出现错误。

s = '\xf1'
s.decode('utf-8')

以上抛出：

UnicodeDecodeError: 'utf8' codec can't decode byte 0xf1 in position 0: unexpected end of data

当我使用“latin-1”时它可以工作，但 utf8 不应该也可以工作吗？我的理解是 latin1 是 utf8 的一个子集。

我错过了什么吗？

编辑：

print s # ñ
repr(s) # returns "'\\xa9'"

Answer 1

您将 Unicode 与 UTF-8 混淆了。 Latin-1 是 Unicode 的子集，但不是 UTF-8 的子集。 避免像瘟疫一样考虑单个代码单元。只需使用代码点。不要考虑 UTF-8。请考虑使用 Unicode。这就是你感到困惑的地方。

演示程序源代码

在 Python 中使用 Unicode 非常容易。尤其是 Python 3 和宽版本，这是我使用 Python 的唯一方式，但如果您小心坚持使用 UTF-8，您仍然可以在窄版本下使用旧版 Python 2。

为此，请始终将您的源代码编码和输出编码正确地转换为 UTF-8。现在停止考虑 UTF-anything，在整个 Python 程序中只使用 UTF-8 文字、逻辑代码点编号或符号字符名称。

这是带有行号的源代码：

% cat -n /tmp/py
     1  #!/usr/bin/env python3.2
     2  # -*- coding: UTF-8 -*-
     3  
     4  from __future__ import unicode_literals
     5  from __future__ import print_function
     6  
     7  import sys
     8  import os
     9  import re
    10  
    11  if not (("PYTHONIOENCODING" in os.environ)
    12              and
    13          re.search("^utf-?8$", os.environ["PYTHONIOENCODING"], re.I)):
    14      sys.stderr.write(sys.argv[0] + ": Please set your PYTHONIOENCODING envariable to utf8\n")
    15      sys.exit(1)
    16  
    17  print('1a: el ni\xF1o')
    18  print('2a: el nin\u0303o')
    19  
    20  print('1a: el niño')
    21  print('2b: el niño')
    22  
    23  print('1c: el ni\N{LATIN SMALL LETTER N WITH TILDE}o')
    24  print('2c: el nin\N{COMBINING TILDE}o')

这里是带有非 ASCII 字符 uniquoted 的打印函数，使用 \x{⋯} 表示法：

% grep -n ^print /tmp/py | uniquote -x
17:print('1a: el ni\xF1o')
18:print('2a: el nin\u0303o')
20:print('1b: el ni\x{F1}o')
21:print('2b: el nin\x{303}o')
23:print('1c: el ni\N{LATIN SMALL LETTER N WITH TILDE}o')
24:print('2c: el nin\N{COMBINING TILDE}o')

演示程序的示例运行

这是该程序的示例运行，显示了执行此操作的三种不同方式（a、b 和 c）：第一个设置为源代码中的文字（将受 StackOverflow 的 NFC 转换的影响，因此不能值得信赖！！！），第二组分别带有 numeric Unicode code points 和 symbolic Unicode character names，同样是 uniquoted，因此您可以看到真正的内容：

% python /tmp/py
1a: el niño
2a: el niño
1b: el niño
2b: el niño
1c: el niño
2c: el niño

% python /tmp/py | uniquote -x
1a: el ni\x{F1}o
2a: el nin\x{303}o
1b: el ni\x{F1}o
2b: el nin\x{303}o
1c: el ni\x{F1}o
2c: el nin\x{303}o

% python /tmp/py | uniquote -v
1a: el ni\N{LATIN SMALL LETTER N WITH TILDE}o
2a: el nin\N{COMBINING TILDE}o
1b: el ni\N{LATIN SMALL LETTER N WITH TILDE}o
2b: el nin\N{COMBINING TILDE}o
1c: el ni\N{LATIN SMALL LETTER N WITH TILDE}o
2c: el nin\N{COMBINING TILDE}o

我真的不喜欢看二进制，但这是二进制字节的样子：

% python /tmp/py | uniquote -b
1a: el ni\xC3\xB1o
2a: el nin\xCC\x83o
1b: el ni\xC3\xB1o
2b: el nin\xCC\x83o
1c: el ni\xC3\xB1o
2c: el nin\xCC\x83o

故事的寓意

即使您使用 UTF-8 源代码，您也应该只考虑并使用逻辑 Unicode 代码点编号（或符号命名字符），而不是构成 UTF-8 串行表示的单个 8 位代码单元（或UTF-16 的问题）。需要代码单元而不是代码点是极其罕见的，它只会让您感到困惑。

如果您使用更广泛的 Python3 版本，您将获得比使用这些选择的替代方案更可靠的行为，但这是 UTF-32 问题，而不是 UTF-8 问题。如果您顺其自然，UTF-32 和 UTF-8 都很容易使用。

Answer 2

UTF-8 不是 Latin-1 的子集。 UTF-8 使用相同的单个字节对 ASCII 进行编码。对于所有其他代码点，都是多个字节。

简单地说，\xf1 不是有效的 UTF-8，正如 Python 告诉你的那样。 “Unexpected end of input”表示该字节标志着一个未提供的多字节序列的开始。

我建议你阅读UTF-8。

Answer 3

它是 UTF-8 中多字节序列的第一个字节，所以它本身是无效的。

其实就是4字节序列的第一个字节。

Bits Last code point Byte 1   Byte 2   Byte 3   Byte 4   Byte 5   Byte 6
21   U+1FFFFF        11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

请参阅here 了解更多信息。

Answer 4

我的理解是 latin1 是 utf8 的一个子集。

错了。 Latin-1，又名ISO 8859-1（有时错误地称为Windows-1252）不是UTF-8 的子集。另一方面，ASCII 是 UTF-8 的一个子集。 ASCII 字符串是有效的 UTF-8 字符串，但通用的 Windows-1252 或 ISO 8859-1 字符串不是有效的 UTF-8，这就是 s.decode('UTF-8') 抛出 UnicodeDecodeError 的原因。