Python: convertendo de ISO-8859-1 / latin1 para UTF-8

Eu tenho esta string que foi decodificada de Quoted-printable para ISO-8859-1 com o módulo de e-mail. Isso me dá strings como "\ xC4pple" que corresponderia a "Äpple" (Apple em sueco). No entanto, não consigo converter essas strings em UTF-8.

>>> apple = "\xC4pple"
>>> apple
'\xc4pple'
>>> apple.encode("UTF-8")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in     range(128)

O que devo fazer?

Tente decodificá-lo primeiro e, em seguida, codificar:

apple.decode('iso-8859-1').encode('utf8')

Este é um problema comum, então aqui está uma ilustração relativamente completa.

Para strings não Unicode (ou seja, aqueles sem uprefixo como u'\xc4pple'), deve-se decodificar da codificação nativa ( iso8859-1/ latin1, a menos que modificado com asys.setdefaultencoding função enigmática ) para unicode, em seguida, codificar para um conjunto de caracteres que pode exibir os caracteres que você deseja, neste caso I recomendaria UTF-8.

Primeiro, aqui está uma função de utilitário útil que ajudará a iluminar os padrões de string e Unicode do Python 2.7:

>>> def tell_me_about(s): return (type(s), s)

Uma corda simples

>>> v = "\xC4pple" # iso-8859-1 aka latin1 encoded string

>>> tell_me_about(v)
(<type 'str'>, '\xc4pple')

>>> v
'\xc4pple'        # representation in memory

>>> print v
?pple             # map the iso-8859-1 in-memory to iso-8859-1 chars
                  # note that '\xc4' has no representation in iso-8859-1, 
                  # so is printed as "?".

Decodificando uma string iso8859-1 - converte string simples em Unicode

>>> uv = v.decode("iso-8859-1")
>>> uv
u'\xc4pple'       # decoding iso-8859-1 becomes unicode, in memory

>>> tell_me_about(uv)
(<type 'unicode'>, u'\xc4pple')

>>> print v.decode("iso-8859-1")
Äpple             # convert unicode to the default character set
                  # (utf-8, based on sys.stdout.encoding)

>>> v.decode('iso-8859-1') == u'\xc4pple'
True              # one could have just used a unicode representation 
                  # from the start

Um pouco mais de ilustração - com “Ä”

>>> u"Ä" == u"\xc4"
True              # the native unicode char and escaped versions are the same

>>> "Ä" == u"\xc4"  
False             # the native unicode char is '\xc3\x84' in latin1

>>> "Ä".decode('utf8') == u"\xc4"
True              # one can decode the string to get unicode

>>> "Ä" == "\xc4"
False             # the native character and the escaped string are
                  # of course not equal ('\xc3\x84' != '\xc4').

Codificando para UTF

>>> u8 = v.decode("iso-8859-1").encode("utf-8")
>>> u8
'\xc3\x84pple'    # convert iso-8859-1 to unicode to utf-8

>>> tell_me_about(u8)
(<type 'str'>, '\xc3\x84pple')

>>> u16 = v.decode('iso-8859-1').encode('utf-16')
>>> tell_me_about(u16)
(<type 'str'>, '\xff\xfe\xc4\x00p\x00p\x00l\x00e\x00')

>>> tell_me_about(u8.decode('utf8'))
(<type 'unicode'>, u'\xc4pple')

>>> tell_me_about(u16.decode('utf16'))
(<type 'unicode'>, u'\xc4pple')

Relação entre unicode e UTF e latin1

>>> print u8
Äpple             # printing utf-8 - because of the encoding we now know
                  # how to print the characters

>>> print u8.decode('utf-8') # printing unicode
Äpple

>>> print u16     # printing 'bytes' of u16
���pple

>>> print u16.decode('utf16')
Äpple             # printing unicode

>>> v == u8
False             # v is a iso8859-1 string; u8 is a utf-8 string

>>> v.decode('iso8859-1') == u8
False             # v.decode(...) returns unicode

>>> u8.decode('utf-8') == v.decode('latin1') == u16.decode('utf-16')
True              # all decode to the same unicode memory representation
                  # (latin1 is iso-8859-1)

Exceções Unicode

 >>> u8.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 0:
  ordinal not in range(128)

>>> u16.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xff in position 0:
  ordinal not in range(128)

>>> v.encode('iso8859-1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0:
  ordinal not in range(128)

Alguém poderia contornar isso convertendo da codificação específica (latin-1, utf8, utf16) para unicode, por exemplo u8.decode('utf8').encode('latin1').

Portanto, talvez seja possível traçar os seguintes princípios e generalizações:

• um tipo stré um conjunto de bytes, que pode ter uma de várias codificações, como Latin-1, UTF-8 e UTF-16
• um tipo unicodeé um conjunto de bytes que pode ser convertido em qualquer número de codificações, mais comumente UTF-8 e latin-1 (iso8859-1)
• o printcomando tem sua própria lógica para codificação , definida sys.stdout.encodinge padronizada para UTF-8
• É necessário decodificar um strpara Unicode antes de converter para outra codificação.

Claro, tudo isso muda no Python 3.x.

Espero que isso seja esclarecedor.

Leitura adicional

• Personagens vs. Bytes , de Tim Bray.

E os discursos muito ilustrativos de Armin Ronacher:

• Guia atualizado para Unicode em Python (2 de julho de 2013)
• Mais sobre Unicode em Python 2 e 3 (5 de janeiro de 2014)
• UCS vs UTF-8 como codificação de string interna (9 de janeiro de 2014)
• Tudo o que você não queria saber sobre Unicode em Python 3 (12 de maio de 2014)

Para Python 3:

bytes(apple,'iso-8859-1').decode('utf-8')

Usei isso para um texto codificado incorretamente como iso-8859-1 (mostrando palavras como VeÅ \ x99ejné ) em vez de utf-8. Este código produz a versão correta Veřejné .

Decodifique para Unicode, codifique os resultados para UTF8.

apple.decode('latin1').encode('utf8')

concept = concept.encode('ascii', 'ignore') 
concept = MySQLdb.escape_string(concept.decode('latin1').encode('utf8').rstrip())

Eu faço isso, não tenho certeza se essa é uma boa abordagem, mas funciona sempre!