Tutorial Python - Starship

La început au existat numai 256 de numere fiecare având asociat un caracter, şi toate textele erau asociate unei
”pagini de cod”(code page) care făcea legătura între caractere şi numerele asociate. Acest lucru a creat foarte
multă confuzie odată cu internaţionalizarea software-ului (scriere usuală : ‘i18n’ — ‘i’ + 18 characters + ‘n’).
Unicode rezolvă aceste probleme asociând o singură pagină tuturor script-urilor.
Crearea şirurilor de caractere Unicode este la fel de simplă ca şi crearea şirurilor obişniute :
>>> u’Hello World !’
u’Hello World !’
Caracterul ‘u’ din faţa ghilimelelor şirului indică interpretorului că trebuie să creeze un şir Unicode din expresia
care urmează. Dacă doriţi să includeţi în şir caractere speciale, o puteţi face foarte simplu folosind codarea Python
Unicode-Escape. Iată un exemplu:
>>> u’Hello\u0020World !’
u’Hello World !’
Secvenţa escape \u0020 indică interpretorului să insereze caracterul cu ordinalul 0x0020 (caracterul spaţiu) înpoziţia
precizată. Alte caractere sunt utilizate folosind direct valoarea ordinalului său ca ordinal Unicode. Datorită
faptului că primele 256 de caractere Unicode sunt aceleaşi ca şi în notaţia standard Latin-1, folosită în multe ţări
occidentale, procesul de introducere a caracterelor Unicode devine mult mai simplu.
Pentru experţi există şi un mod brut (raw-mode) identic cu cel utilizat pentru şirurile normale. Înaintea ghilimelelor
şirului trebuie adăugat ’ur’ pentru ca Python să intre în modul Unicode direct. Conversiile \uXXXX sunt utilizate
numai dacă este folosit un număr impar de caractere backslash(’\’, înaintea caracterului ’u’:
>>> ur’Hello\u0020World !’
u’Hello World !’
>>> ur’Hello\\u0020World !’
u’Hello\\\\u0020World !’
Mod raw poate fi foarte util dacă aveţi de introdus un număr mare de backslash-uri.
În afară de metodele de codare standard, Python oferă multe alte metode de a crea şiruri Unicode, pe baza codărilor
cunoscute.
Funcţia predefinită unicode() permite accesarea tuturor CODEC-urilor Unicode (CODEC = COder & DE-
Coder). Câteva dintre codificările foarte cunoscute ale caror CODEC-uri au fost convertite sunt : Latin-1, ASCII,
UTF-8 şi UTF-16. Ultimele două permit stocarea caracterelor Unicode pe unul sau mai mulţi octeţi. Codificarea
implicită este ASCII, care permite treacerea caracterelor cuprinse între 0 şi 127, dar blocheză celelalte caractere
semnalizând eroare. Când un şir Unicode este tipărit, scris într-un fişier, sau convertit cu funcţia str(), conversia
porneşte utilizând codarea implicită.
>>> u"abc"
u’abc’
>>> str(u"abc")
’abc’
>>> u"äöü"
u’\xe4\xf6\xfc’
>>> str(u"äöü")
Traceback (most recent call last):
File "", line 1, in
UnicodeError: ASCII encoding error: ordinal not in range(128)
Pentru a converti un şir Unicode într-un şir pe 8 biţi utilizând o anumită codificare, obiectele Unicode furnizează
metoda encode(), care are un singur argument, numele codului. Este de preferat ca numele codurilor să se scrie
cu litere mici.
14 Capitolul 3. O scurtă introducere în Python