Python 用于“u”的编码&引用；字面量

考虑下一个例子：

>>> s = u"баба"
>>> s
u'\xe1\xe0\xe1\xe0'
>>> print s
áàáà

我正在idle中使用

cp1251

编码，但解释器似乎实际使用

latin1

来创建unicode字符串：

>>> print s.encode('latin1')
баба

为什么会这样？这种行为有规范吗

CPython，2.7

---

编辑

我要找的代码是

>>> u'\xe1\xe0\xe1\xe0' == u'\u00e1\u00e0\u00e1\u00e0'
True

---

似乎当使用拉丁编码解码器对unicode编码时，所有小于256的unicode点都被简单地保留下来，从而产生我以前输入的字节。

当你在终端中输入字符，如

б

时，你会看到一个

б

，但真正输入的是一个字节序列

由于您的终端编码是

cp1251

，因此键入

cp1251

将导致字节序列等于

cp1251

中编码的unicode

cp1251

：

In [219]: "баба".decode('utf-8').encode('cp1251')
Out[219]: '\xe1\xe0\xe1\xe0'

（注意，我使用上面的

utf-8

，因为我的终端编码是

utf-8

，而不是

cp1251

。对我来说，

“бббб”。decode（'utf-8'）

只是

бббббб

的unicode）

由于键入

бббббб

会产生字节序列

\xe1\xe0\xe1\xe0

，当您在终端中键入

u“бббббб

时，Python将接收

u'\xe1\xe0\xe1\xe0'

。这就是为什么你会看到

>>> s
u'\xe1\xe0\xe1\xe0'

这个unicode恰好表示

áááa

当你打字的时候

>>> print s.encode('latin1')

latin1

编码将

u'\xe1\xe0\xe1\xe0'

转换为

'\xe1\xe0\xe1\xe0'

。 终端接收字节序列

'\xe1\xe0\xe1\xe0'

，并用

cp1251

对其进行解码，从而打印

ббб

：

In [222]: print('\xe1\xe0\xe1\xe0'.decode('cp1251'))
баба

尝试：

（不带

u

）。或者

>>> s = "баба".decode('cp1251')

使

s

unicode

。或者，使用冗长但非常明确的（和终端编码不可知的）：

或者简短但不易理解的

>>> s = u'\u0431\u0430\u0431\u0430'

---

你问错问题了。问题不是“Unicode字符串文字使用什么编码”（一个毫无意义的问题；编码是输入/输出的东西，内部表示显然是可以表示Unicode的东西，这就是您需要知道的全部）。你真正想知道答案的问题是“为什么空闲会弄乱我的文本编码，它是发生在输入还是输出上，我如何让它做我想做的？”你是如何定义编码的？有关在源文件中定义编码的信息，请参阅。请给出你的python版本。根据默认情况，使用的编码将是ASCII。Python 2.4之前的版本以欧洲为中心，并假定拉丁语-1是字符串的默认编码literals@kindall好吧，好吧，我们确实需要在创建unicode对象时进行编码（因为我们不需要字节，而需要有意义的字符）。那么，为什么解释器不使用我的实际编码来执行字节->字符转换？@Gagandeep cp1251只是我的默认操作系统编码。解释器无法知道编码，除非您提供它。

>>> s = u'\N{CYRILLIC SMALL LETTER BE}\N{CYRILLIC SMALL LETTER A}\N{CYRILLIC SMALL LETTER BE}\N{CYRILLIC SMALL LETTER A}'

>>> s = u'\u0431\u0430\u0431\u0430'