Kezdőbarát útmutató a Python Unicode-jához

Egyszer töltöttem pár frusztráló napot a munkahelyemen, amikor megtanultam, hogyan kell megfelelően kezelni az Unicode karakterláncokat a Pythonban. Ez alatt a két nap alatt sok harapnivalót ettem - nagyjából egy zacskó aranyhalat a felmerült hibák egyikénél, ami túl ismerősnek kell lennie azoknak, akik a Python-szal programoznak:

UnicodeDecodeError: ‘ascii’ codec can’t decode byte 0xf0 in position 0: ordinal not in range(128)

A kérdésem megoldása közben sokat gugliztam, ami rámutatott néhány nélkülözhetetlen cikkre. Bármennyire is nagyszerűek, mindannyian a mai kommunikáció egyik kulcsfontosságú aspektusának segítsége nélkül készültek.

Vagyis: mindet emoji segítség nélkül írták.

Tehát, hogy kihasználjam ezt a helyzetet, úgy döntöttem, hogy megírom a saját útmutatómat az Unicode megértéséhez, rengeteg arc és ikon látható az út mentén? ✌ ?.

Mielőtt belemerülnénk a technikai részletekbe, kezdjünk egy szórakoztató kérdéssel. Mi a kedvenc emojid?

Az enyém az „nyitott szájú arc”, amely így néz ki? - egy főbb figyelmeztetéssel. Amit látsz, valójában attól a platformtól függ, amelyet használsz a bejegyzés elolvasásához!

A Mac-en nézve az emoji sárga bowlinglabdának tűnik. A Samsung táblagépemen a szem fekete és kör alakú, amelyet egy fehér pont emel ki, amely az érzelmek mélységét árulja el.

Másolja és illessze be az emoji-t (?) A Twitterbe, és valami egészen mást fog látni. Másolja és illessze be a messenger.com webhelyre, és meglátja, miért ez a kedvencem.

???? Miért különböznek mindannyian?

Megjegyzés: 2018. július 9-től: Úgy tűnik, hogy a Messenger frissítette az emoji ikonjait, így a jobb felső sarokban lévő ikon már nem érvényes. ?

Ez a szórakoztató kis rejtély az Unicode világába való beilleszkedés, mivel az emojik 2010 óta az Unicode Standard részét képezik. Az emoji-k eladásán kívül az Unicode azért is fontos, mert az Internet a preferált választás a következetes „kódolás, ábrázolás és a szöveg kezelése ”.

Unicode és kódolás: rövid bemutató

Mint sok témában, úgy az Unicode megértésének legjobb módja a létrejöttét körülvevő kontextus megismerése - ehhez Joel Spolsky cikkét el kell olvasni.

Kódpontok

Mivel most beléptünk az Unicode világába, először el kell választanunk a hangulatjeleket a csodálatosan kifejező ikonoktól, és társítani kell őket valami sokkal kevésbé izgalmashoz. Tehát ahelyett, hogy az emojikra gondolnánk azokra a dolgokra vagy érzelmekre nézve, amelyeket képviselnek, inkább az egyes hangulatjelekre gondolunk, mint egy egyszerű számra. Ez a szám ismert, mint egy kódot pont .

A kódpontok az Unicode kulcsfogalma, amelyet „úgy terveztek, hogy támogassa a modern világ különböző nyelveinek írott szövegeinek világszerte történő cseréjét, feldolgozását és megjelenítését”. Ezt úgy teszi, hogy gyakorlatilag minden nyomtatható karaktert egyedi kódponttal társít. Ezek a karakterek együttesen tartalmazzák az Unicode karakterkészletet .

A U+kódpontokat általában hexadecimálisan írják, és előtaggal jelölik az Unicode-hoz való kapcsolatot, a következő karaktereket ábrázolva:

  • egzotikus nyelvek, például telugu [ఋ | kódpont: U + 0C0B]
  • sakk szimbólumok [♖ | kódpont: U + 2656]
  • és természetesen hangulatjelek [? | kódpont: U + 1F64C]

A karakterjelek azok, amelyeket látsz

A kódpontok tényleges megjelenítését a képernyőn karakterjeleknek nevezzük (teljes feltérképezéskarakterek betűkészletként ismertek ) .

Példaként , hogy ez a levél bemutatása, amely kódpontját U+0041Unicode-ban. A „A”, amelyet a szemeddel látsz, egy írásjel - úgy néz ki, ahogyan, mert a Medium betűtípusával renderelik. Ha például a Times New Roman betűtípust változtatná, csak az „A” karakterjel változik - az alapul szolgáló kód nem.

A karakterjelek a válasz a mi kis renderelési rejtélyünkre. A motorháztető alatt az arc nyitott szájjal emoji minden változata ugyanarra U+1F62Ea kódpontra mutat , de az azt ábrázoló karakterjel platformonként változik?

A Kódpontok absztrakciók

Mivel nem mondanak semmit vizuális megjelenítésükről (betűtípusra és karakterjelre van szükségük, hogy „életre keltsék őket”), a kódpontokat absztrakciónak mondják.

De ahogy a kódpontok absztrakció a végfelhasználók számára, ugyanúgy absztrakciók a számítógépekhez is. A kódpontoknak ugyanis karakterkódolásra van szükségük ahhoz, hogy azokat a számítógépek értelmezhetővé alakítsák: bájtokká. A bájtokká konvertálás után a kódpontok fájlokba menthetők, vagy a hálózaton keresztül elküldhetők egy másik számítógépre? ➡️ ?.

Az UTF-8 jelenleg a világ legnépszerűbb karakterkódolása. Az UTF-8 egy szabálykészletet használ arra, hogy egy kódpontot egyedi (1–4) bájtos szekvenciává alakítson, és fordítva. A kódpontokat állítólag bájtsorozatba kódolják , a bájtsorozatokat kódpontokká dekódolják . Ez a Stack Overflow bejegyzés elmagyarázza az UTF-8 kódoló algoritmus működését.

Annak ellenére, hogy az UTF-8 a domináns karakterkódolás a világon, korántsem az egyetlen. Például az UTF-16 az Unicode karakterkészlet alternatív karakterkódolása. Az alábbi kép összehasonlítja a hangulatjelünk UTF-8 és UTF-16 kódolását.

Problémák merülnek fel, amikor az egyik számítógép kódolási pontokat bájtokká kódol egy kódolással, és egy másik számítógép (vagy ugyanazon a számítógépen egy másik folyamat) dekódolja ezeket a bájtokat egy másikkal.

Szerencsére az UTF-8 eléggé mindenütt jelen van, így többnyire nem kell aggódnunk a nem megfelelő karakterkódolások miatt. De amikor előfordulnak, ismerni kell a fent említett fogalmakat, hogy kiszabaduljon a rendetlenségből.

Rövid összefoglalás

  • Unicode gyűjteménye kódpontokat , amelyek sima számok jellemzően hexadecimális és előtaggal U+. Ezek a kódok gyakorlatilag minden nyomtatható karaktert leképeznek az írott nyelvek világszerte.
  • A karakterjelek a karakter fizikai megnyilvánulása. Ez a fickó ? egy írásjel. A f ont a kódpontok és a karakterek leképezése.
  • A hálózaton keresztül történő elküldéshez vagy fájlba mentéshez a karaktereket és mögöttes kódpontjaikat bájtokká kell kódolni. A karakterkódolás részleteket tartalmaz arról, hogy egy kódpont hogyan épül be egy bájtsorozatba.
  • UTF-8 is currently the world’s must popular character encoding. Given a code point, UTF-8 encodes it into a sequence of bytes. Given a sequence of bytes, UTF-8 decodes it into a code point.

A Practical Example

The correct rendering of Unicode characters involves traversing a chain, ranging from bytes to code points to glyphs.

Let’s now use a text editor to see a practical example of this chain — as well as the types of issues that can arise when things go awry. Text editors are perfect, because they involve all three parts of the rendering chain shown above.

Note: The following example was done on my MacOS using Sublime Text 3. And to give credit where credit is due: the beginning of this example is heavily inspired by this post from Philip Guo, which introduced me to the hexdump command (and a whole lot more).

We’ll start with a text file containing a single character — my favorite “face with open mouth” emoji. For those who want to follow along, I’ve hosted this file in a Github gist, which you get locally with curl.

curl //gist.githubusercontent.com/jzhang621/d7d9eb167f25084420049cb47510c971/raw/e35f9669785d83db864f9d6b21faf03d9e51608d/emoji.txt > emoji.txt

As we learned, in order for it be saved to a file, the emoji was encoded into bytes using a character encoding. This particular file was encoded using UTF-8, and we can use the hexdump command to examine the actual byte contents of the file.

j|encoding: hexdump emoji.txt0000000 f0 9f 98 ae 0000004

The output of hexdump tells us the file contains 4 bytes total, each of which is written in hexadecimal. The actual byte sequence f0 9f 98 ae matches the expected UTF-8 encoded byte sequence, as shown below.

Now, let’s open our file in Sublime Text, where we should see our single ? character. Since we see the expected glyph, we can assume Sublime Text used the correct character encoding to decode those bytes into code points. Let’s confirm by opening up the console View -> Show Console, and inspecting the view object that Sublime Text exposes as part of its Python API.

>>> view
# returns the encoding currently associated with the file>>> view.encoding()'UTF-8'

With a bit of Python knowledge, we can also find the Unicode code point associated with our emoji:

# Returns the character at the given position>>> view.substr(0)'?' 
# ord returns an integer representing the Unicode code point of the character (docs)>>> ord(view.substr(0))128558
# convert code point to hexadecimal, and format with U+>>> print('U+%x' % ord(view.substr(0)))U+1f62e

Again, just as we expected. This illustrates a full traversal of the Unicode rendering chain, which involved:

  • reading the file as a sequence of UTF-8 encoded bytes.
  • decoding the bytes into a Unicode code point.
  • rendering the glyph associated with the code point.

So far, so good ?.

Different Bytes, Same Emoji

Aside from being my favorite text editor, I chose Sublime Text for this example because it allows for easy experimentation with character encodings.

We can now save the file using a different character encoding. To do so, click File -> Save with Encoding -> UTF-16 BE. (Very briefly, UTF-16 is an alternative character encoding of the Unicode character set. Instead of encoding the most common characters using one byte, like UTF-8, UTF-16 encodes every point from 1–65536 using two bytes. Code points greater than 65536, like our emoji, are encoded using surrogate pairs. The BE stands for Big Endian).

When we use hexdump to inspect the file again, we see that byte contents have changed.

# (before: UTF-8)j|encoding: hexdump emoji.txt0000000 f0 9f 98 ae 0000004
# (after: UTF-16 BE)j|encoding: hexdump emoji.txt0000000 d8 3d de 2e0000004

Back in Sublime Text, we still see the same ? character staring at us. Saving the file with a different character encoding might have changed the actual contents of the file, but it also updated Sublime Text’s internal representation of how to interpret those bytes. We can confirm by firing up the console again.

>>> view.encoding()'UTF-16 BE'

From here on up, everything else is the same.

>>> view.substr(0)'?' 
>>> ord(view.substr(0))128558
>>> print('U+%x' % ord(view.substr(0)))U+1f62e

The bytes may have changed, but the code point did not — and the emoji remains the same.

Same Bytes, But What The đŸ˜®

Time for some encoding “fun”. First, let’s re-encode our file using UTF-8, because it makes for a better example.

Let’s now go ahead use Sublime Text to re-open an existing file using a different character encoding. Under File -> Reopen with Encoding, click Vietnamese (Windows 1258), which turns our emoji character into the following four nonsensical characters: đŸ˜®.

When we click “Reopen with Encoding”, we aren’t changing the actual byte contents of the file, but rather, the way Sublime Text interprets those bytes. Hexdump confirms the bytes are the same:

j|encoding: hexdump emoji.txt0000000 f0 9f 98 ae0000004

To understand why we see these nonsensical characters, we need to consult the Windows-1258 code page, which is a mapping of bytes to a Vietnamese language character set. (Think of a code page as the table produced by a character encoding). As this code page contains a character set with less than 255 characters, each character’s code points can be expressed as a decimal number between 0 and 255, which in turn can all be encoded using 1 byte.

Because our single ? emoji requires 4 bytes to encode using UTF-8, we now see 4 characters when we interpret the file with the Windows-1258 encoding.

A wrong choice of character encoding has a direct impact on what we can see and comprehend by garbling characters into an incomprehensible mess.

Now, onto the “fun” part, which I include to add some color to Unicode and why it exists. Before Unicode, there were many different code pages such as Windows-1258 in existence, each with a different way of mapping 1 byte’s worth of data into 255 characters. Unicode was created in order to incorporate all the different characters of the all the different code pages into one system. In other words, Unicode is a superset of Windows-1258, and each character in the Windows-1258 code page has a Unicode counterpart.

In fact, these Unicode counterparts are what allows Sublime Text to convert between different character encodings with a click of a button. Internally, Sublime Text still represents each of our “Windows-1258 decoded” characters as a Unicode code point, as we see below when we fire up the console:

>>> view.encoding()'Vietnamese (Windows 1258)'
# Python 3 strings are "immutable sequences of Unicode code points">>> type(view.substr(0))
>>> view.substr(0)'đ'>>> view.substr(1)'Ÿ'>>> view.substr(2)'˜'>>> view.substr(3)'®'
>>> ['U+%04x' % ord(view.substr(x)) for x in range(0, 4)]['U+0111', 'U+0178', 'U+02dc', 'U+00ae']

This means that we can re-save our 4 nonsensical characters using UTF-8. I’ll leave this one up to you — if you do so, and can correctly predict the resulting hexdump of the file, then you’ve successfully understood the key concepts behind Unicode, code points, and character encodings. (Use this UTF-8 code page. Answer can be found at the very end of this article. ).

Wrapping up

Working effectively with Unicode involves always knowing what level of the rendering chain you are operating on. It means always asking yourself: what do I have? Under the hood, glyphs are nothing but code points. If you are working with code points, know that those code points must be encoded into bytes with a character encoding. If you have a sequence of bytes representing text, know that those bytes are meaningless without knowing the character encoding that was used create those bytes.

As with any computer science topic, the best way to learn about Unicode is to experiment. Enter characters, play with character encodings, and make predictions that you verify using hexdump. While I hope this article explains everything you need to know about Unicode, I will be more than happy if it merely sets you up to run your own experiments.

Thanks for reading! ?

Answer:

j|encoding: $ hexdump emoji.txt0000000 c4 91 c5 b8 cb 9c c2 ae0000008