关于你不想知道的所有Python3 unicode特性
我的读者知道我是一个喜欢痛骂python3 unicode的人。这次也不例外。我将会告诉你用unicode有多痛苦和为什么我不能闭嘴。我花了两周时间研究python3,我需要发泄我的失望。在这些责骂中,仍然有有用的信息,因为它教我们如何来处理python3。如果没有被我烦到,就读一读吧。
这次吐槽的内容会不一样。不会关联到wsgi或者http及与其相关的东西。通常,我被告知我应该停止抱怨python3 unicode系统,因为我不写别人经常写的代码(http库之类的东西),所以我这次准备写点别的东西:一个命令行应用程序。我写了一个很方便的库叫click来让编写它更加简单。
注意,我做的是每一个新手python程序员做的事情:写一个命令行应用程序。hello world程序。但是不同以往,我想要确保应用程序是稳定的并且对于python2和python3的unicode都是支持的,还能够进行单元测试。所以接下来的就是如何来实现它。
我们想做什么
在python3我们作为开发者需要好好使用unicode。显然,我觉得这意味着所有的文本数据都是unicode,所有非文本数据都是字节。在这么美妙的世界里所有的东西只有黑与白,hello world的例子非常直截了当。所以让我们来写一些shell工具吧。
这是用python2形式实现的应用程序:
import sys import shutil for filename in sys.argv[1:]: f = sys.stdin if filename != '-': try: f = open(filename, 'rb') except ioerror as err: print >> sys.stderr, 'cat.py: %s: %s' % (filename, err) continue with f: shutil.copyfileobj(f, sys.stdout)
显然,命令在处理任何命令行选项的时候也不是特别好,不过至少能够用。所以我们开始码代码吧。
unix里的unicode
上面的代码在python2是不行的,因为你暗中处理字节。命令行参数是字节,文件名是字节,文件内容也是字节。语言卫道士会指出这是不对的,这样会引发问题,但如果你开始更多考虑它,你会发现这是个不固定的问题。
unix是字节,已经被定义成了这样,并且一直会是这样。为了理解为什么你需要观察数据传输的不同场景。
- 终端
- 命令行参数
- 操作系统输入输出层
- 文件系统驱动
顺便提一下,这不是数据可能通过的唯一东西,但是我们来了解一下,在多少场景下我们能了解一个编码。答案是一个也没有。至少我们需要理解一个编码是终端输出区域信息。这个信息可以用来展现转换,也能够理解文本信息所拥有的编码。
举个例子,如果lc_ctype的值为en_us.utf-8告诉应用程序系统使用us english,并且大部分文本数据是utf-8编码。实际上还有很多别的变量,不过我们假定这是我们唯一需要看的。注意lc_ctype并不代表所有的数据都是utf-8编码的。它代替通知应用程序如何分类文本特性并且什么时候需要应用转换。
这很重要,原因是因为c locale。c locale是posix唯一指定的现场,它说所有ascii编码和来自命令行工具的回复会按照posix spec里定义的来对待。
在我们上面的cat工具里,如果它是比特,没有别的方法来对待这些数据。原因是shell里没有指定这数据是什么。例如你调用cat hello.txt,终端会在对应用程序编码的时候对hello.txt进行编码。
但是现在想想这个例子echo *。shell会把目前目录的所有文件名传递给你的应用程序。那它们是什么编码?文件名没有编码!
unicode疯狂
现在一个用windows的人看到这里会说:弄unix的人在搞什么呢。但这还不算悲惨。产生这些工作的原因是一些聪明的人设计得这个系统能够向后兼容。不像windows把每个api都定义两次,在posix上,最好的处理方法是为了显示的目的将其假定为字节,用默认的编码方式来编码。
用上面的cat命令来举例。比如有一个关于文件无法打开的错误信息,原始是因为它们不存在或者它们是受保护的,或者其他任何的原因。我们假定文件是用latin1编码的,因为它是来自1995年外部驱动。终端会获取标准输出,它将会试着把它用utf-8编码,因为这是它认为的编码。因为字符串是latin1编码的,因为它无法顺利得解码。但是不怕,不会有什么崩溃,因为你的终端在无法处理它的时候会无视它。
它在图形界面上怎样?每种有两个版本。在一个像nautilus 这样的图形界面上列出所有的文件。它把文件名和图标关联起来,能够双击并且试着使文件名能够显示出来,因而把它解码。例如它会尝试用utf-8解码,错误的地方用问题记号来替代。你的文件名可能不是完全可读的但那是你仍能打开文件。
unix上的unicode只在你强制所有东西用它的时候会很疯狂。但那不是unicode在unix上工作的方式。unix没有区别unicode和字节的api。它们是相同的,使其更容易处理。
c locale
c locale在这里出现的次数非常多。c locale是避免posix的规格被强行应用到任何地方的一种手段。posix服从操作系统需要支持设置lc_ctype,来让一切使用ascii编码。
这个locale是在不同的情况下挑选的。你主要发现这个locale为所有从cron启动的程序,你的初始化程序和子进程提供一个空的环境。c locale在环境里复原了一个健全的ascii地带,否则你无法信任任何东西。
但是ascii这个词指出它是7bit编码。这不是问题,因为操作系统是能处理字节的!任何基于8bit的内容能正常处理,但你与操作系统遵循约定,那么字符处理会限制在前7bit。任何你的工具生成的信息它会用ascii编码并且使用英语。
注意posix规范没有说你的应用程序应当死于火焰。
python3死于火焰
python3在unicode上选择了与unix不同的立场。python3说:任何东西是unicode(默认情况下,除非是在某些情况下,除非我们发送重复编码的数据,可即使如此,有时候它仍然是unicode,虽然是错误的unicode)。文件名是unicode,终端是unicode,stdin和stdout是unicode,有如此多的unicode。因为unix不是unicode,python3现在的立场是它是对的unix是错的,人们也应该修改posix的定义来添加unicode。那么这样的话,文件名就是unicode了,终端也是unicode了,这样也就不会看到一些由于字节导致的错误了。
不是仅仅我这样说。这些是python关于unicode的脑残想法导致的bug:
如果你google一下,你就能发现如此多的吐槽。看看有多少人安装pip模块失败,原因是changelog里的一些字符,或者是因为home文件夹的原因又,或者是因为ssh session是用ascii的,或者是因为他们是使用putty连接的。
python3 cat
现在开始为python3修复cat。我们如何做?首先,我们需要处理字节,因为有些东西可能会显示一些不符合shell编码的东西。所以无论如何,文件内容需要是字节。但我们也需要打开基本输出来让它支持字节,而它默认是不支持的。我们也需要分别处理一些情况比如unicode api失败,因为编码是c。那么这就是,python3特性的cat。
import sys import shutil def _is_binary_reader(stream, default=false): try: return isinstance(stream.read(0), bytes) except exception: return default def _is_binary_writer(stream, default=false): try: stream.write(b'') except exception: try: stream.write('') return false except exception: pass return default return true def get_binary_stdin(): # sys.stdin might or might not be binary in some extra cases. by # default it's obviously non binary which is the core of the # problem but the docs recomend changing it to binary for such # cases so we need to deal with it. also someone might put # stringio there for testing. is_binary = _is_binary_reader(sys.stdin, false) if is_binary: return sys.stdin buf = getattr(sys.stdin, 'buffer', none) if buf is not none and _is_binary_reader(buf, true): return buf raise runtimeerror('did not manage to get binary stdin') def get_binary_stdout(): if _is_binary_writer(sys.stdout, false): return sys.stdout buf = getattr(sys.stdout, 'buffer', none) if buf is not none and _is_binary_writer(buf, true): return buf raise runtimeerror('did not manage to get binary stdout') def filename_to_ui(value): # the bytes branch is unecessary for *this* script but otherwise # necessary as python 3 still supports addressing files by bytes # through separate apis. if isinstance(value, bytes): value = value.decode(sys.getfilesystemencoding(), 'replace') else: value = value.encode('utf-8', 'surrogateescape') \ .decode('utf-8', 'replace') return value binary_stdout = get_binary_stdout() for filename in sys.argv[1:]: if filename != '-': try: f = open(filename, 'rb') except ioerror as err: print('cat.py: %s: %s' % ( filename_to_ui(filename), err ), file=sys.stderr) continue else: f = get_binary_stdin() with f: shutil.copyfileobj(f, binary_stdout)
这不是最差的版本。不是因为我想让事情更加复杂,它现在就是有这么复杂。例如在例子里没有做的是在读取一个二进制的东西是强制清理文本stdout。在这个例子里没有必要,是因为这里的print调用去了stderr而不是stdout,但如果你想打印一些stdout,你就必须清理。为什么?因为stdout是别的缓冲区之上的缓冲区,如果你不强制清理它,你的输出顺序可能会出错。
不仅仅是我,例如看: ,会发现相同的麻烦。
跳起编码舞蹈
为了理解shell里的命令行参数,顺便说一些python3里最糟糕的情况:
- shell把文件名以字节传给脚本
- 字节在命中你的代码前被python以预期的解码方式解码。因为这是有损好的过程,python3使用一个特别的错误处理器来处理解码错误。
- python代码处理一个没有错误的文件,并且需要格式化一个错误信息。因为我们写文本流的时候如果它不是非法的unicode,是不会写替代的。
- 将包含替代的unicode串编码为utf-8,然后告诉它处理替代转义。
- 然后我们从utf-8解码并告诉他忽略错误
- 结果字符串回到只有文本的流里
- 之后终端会解码我们的字符串来进行显示
以下是python2里的情况:
- shell把文件名作为字节传给脚本
- shell解码字符串来进行显示
因为python2版本里的字符串处理只是在出错的时候进行纠正,因为shell在显示文件名时能做得更好。
注意这没有让脚本更不对。如果你需要对输入数据进行实际的字符串处理,你就要在2.x和3.x里面切换到unicode处理。但在那种情况,你也想让你的脚本支持一个—charset参数,那么在2.x和3.x上做的工作差不多。只是在3.x上会更加糟糕,你需要构建在2.x上不需要的二进制标准输出。
但你是错误的
很显然我错了,我被人告诉这些:
- 我感到痛苦是因为我不像初学者那样思考,新的unicode系统会对初学者更友好
- 我不考虑windows用户和新的文本模型对windows用户是多么大的改进
- 问题不在于python,问题在posix规范
- linux发行版需要开始支持c.utf-8,因为它们被过去一直阻碍着
- 问题是ssh发送了错误的编码。ssh需要修复这个问题。
- python3里一大堆unicode错误的真正问题是人们不传递明确的编码而假设python3作出了正确的决定。
- 我与分解代码工作,显然这在python3里会更难。
- 我应该去改进python3而不是在twitter和博客上抱怨
- 你在没有问题的地方制造问题。让每个人修复他们的环境和对任何东西进行编码就很好。这是用户的问题。
- java有这个问题好多年了,这对开发者来说没问题。
你知道吗?我在做http方面的工作的时候就停止了抱怨,因为我接受了这个主意,就是http/wsgi的一大堆问题对人们来说很平常。但你知道什么?在hello world这样的情况下也有相同的问题。可能我应该放弃获得一个高质量的unicode支持的库,就这么将就了。
我可以对以上观点进行反驳,但最终也没关系了。如果python3是我唯一使用的python语言,我会解决所有的问题并且使用它开发。有一个完美的另一个语言叫python2,它有更大的用户基础,并且用户基础是很牢固的。这时我是非常沮丧的。
python3可能足够强大,会开始让unix走windows走过的路:在很多地方使用unicode,但我很怀疑这样的做法。
更可能的事情是人们仍旧使用python2,并且用python3做一些很烂的东西。或者他们会用go。这门语言使用了与python2很相似的模型:任何东西都是字节串。并且假设其编码是utf-8。到此结束。
上一篇: PTA秀恩爱分得快 (25分)
下一篇: CAD常用命令以及功能快捷键大全
推荐阅读
-
GTX1080显卡有哪些特性 关于Nvidia GTX 1080你需要知道的7件事
-
关于你不想知道的所有Python3 unicode特性
-
GTX1080显卡有哪些特性 关于Nvidia GTX 1080你需要知道的7件事
-
关于HTML5你必须知道的28个新特性,新技巧以及新技术
-
关于你不想知道的所有Python3 unicode特性
-
关于HTML5你必须知道的28个新特性,新技巧以及新技术_html5教程技巧
-
关于你不想知道的所有Python3 unicode特性
-
关于你不想知道的所有Python3 unicode特性
-
你所要知道的所有关于Angular的变化检测机制详解
-
你需要知道的关于javascript计时器的所有内容