Python obtiene el código de caracteres en una codificación diferente?

Question

Dado un código de carácter como número entero en una codificación, ¿cómo se puede obtener el código de carácter en, digamos, utf-8 y de nuevo como número entero?

Answer 1

UTF-8 is a variable-length encoding, así que supongo que realmente quiso decir "punto de código Unicode". Use chr() para convertir el código de carácter en un carácter, decodifíquelo y use ord() para obtener el punto de código.

>>> ord(chr(145).decode('koi8-r')) 
9618 

Answer 2

He aquí un ejemplo de cómo funciona el baile de codificación/decodificación:

>>> s = b'd\x06'    # perhaps start with bytes encoded in utf-16 
>>> map(ord, s)    # show those bytes as integers 
[100, 6] 
>>> u = s.decode('utf-16') # turn the bytes into unicode 
>>> print u     # show what the character looks like 
٤ 
>>> print ord(u)    # show the unicode code point as an integer 
1636 
>>> t = u.encode('utf-8') # turn the unicode into bytes with a different encoding 
>>> map(ord, t)    # show that encoding as integers 
[217, 164] 

Esperanza esto ayuda :-)

Si necesita construir el Unicode directamente de un entero, utilice unichr:

>>> u = unichr(1636) 
>>> print u 
٤ 

Answer 3

Haces c un único mapa un "número entero" de una codificación a otra si son codificaciones de un solo byte.

Aquí hay un ejemplo usando "iso-8859-15" y "CP1252" (también conocido como "ANSI"):

>>> s = u'€' 
>>> s.encode('iso-8859-15') 
'\xa4' 
>>> s.encode('cp1252') 
'\x80' 
>>> ord(s.encode('cp1252')) 
128 
>>> ord(s.encode('iso-8859-15')) 
164 

Tenga en cuenta que ord aquí se utiliza para obtener el número ordinal del byte codificado . Usando ord en la cadena Unicode originales daría su punto de código Unicode:

>>> ord(s) 
8364 

La operación inversa a ord se puede hacer utilizando cualquiera chr (para los códigos en el rango 0 a 127) o unichr (para los códigos de la gama 0-sys.maxunicode):

>>> print chr(65) 
A 
>>> print unichr(8364) 
€ 

para codificaciones múltiples bytes, un simple "número entero" mapeo no suele ser posible.

Así es el mismo ejemplo que el anterior, pero utilizando "iso-8859-15" y "UTF-8":

>>> s = u'€' 
>>> s.encode('iso-8859-15') 
'\xa4' 
>>> s.encode('utf-8') 
'\xe2\x82\xac' 
>>> [ord(c) for c in s.encode('iso-8859-15')] 
[164] 
>>> [ord(c) for c in s.encode('utf-8')] 
[226, 130, 172] 

La codificación "UTF-8" utiliza tres bytes para codificar el mismo carácter, por lo que no es posible un mapeo de uno a uno. Habiendo dicho eso, muchas codificaciones (incluyendo "utf-8") están diseñadas para ser compatibles con ASCII, por lo que una asignación es generalmente posible para códigos en el rango 0-127 (pero solo trivialmente, porque el código siempre será lo mismo).