Differences

This shows you the differences between two versions of the page.

--- doc:appunti:prog:python_unicode [2012/11/26 16:40] – niccolo
+++ doc:appunti:prog:python_unicode [2015/07/17 09:50] (current) – [Nomi di file e directory] niccolo
@@ Line 4: / Line 4: @@
 Oppure queste slide: **[[http://farmdev.com/talks/unicode/|Unicode In Python, Completely Demystified]]**.
+===== Input: lettura da database MySQL =====
+Si assume che nel database i campi testo siano codificati UTF-8. Sarebbe opportuno che il charset del database sia dichiarato UTF-8 in fase di creazione dello stesso; con PostgreSQL si tratta dell'impostazione predefinita, con MySQL invece no. Con MySQL è comunque possibile memorizzare testo UTF-8 anche se il charset dichiarato è quello predefinito **''latin1''**, per fortuna perché MySQL ha ancora molti problemi nella gestione di UTF-8 (spazio occupato dalle stringhe, limiti nella dimensione degli indici, ecc.).
+Per assicurarsi che Python decodifichi correttamente le stringhe lette da un database:
+<code python>
+import MySQLdb
+conn = MySQLdb.connect(host='localhost', user='dbuser', passwd='dbpass', db='dbname', charset='utf8')
+curs = conn.cursor()
+# Not strictly needed:
+#curs.execute("SET CHARACTER SET utf8")
+curs.execute("SELECT * FROM table")
+rows = curs.fetchall()
+for row in rows:
+    field0 = row[0]
+    print type(field0), field0
+    ...
+</code>
+La funzione **''type()''** restituisce **''unicode''**, questo vuol dire che Python ha saputo decodificare correttamente l'input (grazie alla dichiarazione del parametro **''charset''** nella **''connect()''**) e memorizza internamente la stringa nel formato ottimale unicode. Questo consente a Python di operare correttamente sulle stringhe, ad esempio quando si applica la funzione **''len()''** i caratteri multibyte vengono valutati correttamente di lunghezza pari a uno.
+Se si omette la dichiarazione del **''charset''** nella ''connect()'', la stringa letta dal database avrebbe un generico **''type() = str''**. Per decodificare correttamente il contenuto bisognerebbe modificare il programma come segue:
+<code python>
+curs.execute("SET CHARACTER SET utf8")
+curs.execute("SELECT * FROM table")
+rows = curs.fetchall()
+for row in rows:
+    field0 = row[0].decode('utf-8')
+    print type(field0), field0
+    ...
+</code>
+===== Input/Output: da database PostgreSQL =====
+Con queste istruzioni si apre una connessione al database e ci si assicura che tutte le stringhe che vengono lette siano di **''<type 'unicode'>''**:
+<code python>
+import psycopg2
+import psycopg2.extensions
+psycopg2.extensions.register_type(psycopg2.extensions.UNICODE)
+psycopg2.extensions.register_type(psycopg2.extensions.UNICODEARRAY)
+conn = psycopg2.connect(host = "127.0.0.1", database = "dbname", user="dbuser", password="dbpass")
+conn.set_client_encoding("UTF8")
+curs = conn.cursor()
+</code>
+===== Input/Output: lettura/scrittura da pipe =====
+Se si deve comunicare con un programma esterno utilizzando UTF-8 conviene come al solito memorizzare le stringhe in unicode e quindi esplicitare l'encoding sia per l'input che per l'output:
+<code python>
+text = u"ditemi <b>perché</b> se la mucca fa mu..."
+subproc = subprocess.Popen(["pandoc", "-f", "html", "-t", "LaTeX"], stdin=subprocess.PIPE, stdout=subprocess.PIPE)
+output, stderr = subproc.communicate(input=text.encode('utf-8'))
+output = output.decode('utf-8')
+</code>
+La stringa **''output''** sarà di tipo ''unicode'', al momento di stamparla si dovrà eventualmente decidere (forzare) l'encoding opportuno per evitare conseguenze impreviste (vedi avanti).
+===== Output: codifica implicita della print =====
+Attenzione ad alcuni comportamenti impliciti del Python, ad esempio una semplice
+<code python>
+print string
+</code>
+codifica il contenuto di ''string'' in base all'output: se si tratta di ''stdout'' viene usata la codifica **''utf-8''** (per via della variabile d'ambiente **''LANG=en_US.UTF-8''**), se invece si ridirige l'output su file (oppure la variabile ''LANG'' non è impostata correttamente) viene usata la codifica **''ascii''** ed eventualmente scatta l'errore:
+<code>
+UnicodeEncodeError: 'ascii' codec can't encode character u'\xe0' in position 11: ordinal not in range(128)
+</code>
+Per avere un comportamento univoco conviene codificare esplicitamente l'output:
+<code python>
+print string.encode('utf-8')
+</code>
+===== Nomi di file e directory =====
+Alcune funzioni relative al filesystem potrebbero causare problemi, ad esempio:
+<code python>
+os.path.isfile(filename)
+os.stat(filename)
+</code>
+potrebbe fallire con:
+<code>
+UnicodeEncodeError: 'ascii' codec can't encode character u'\xe9' in position 79: ordinal not in range(128)
+</code>
+La soluzione è codificare esplicitamente la stringa prima di passarla alla funzione:
+<code python>
+os.path.isfile(filename.encode('utf-8'))
+os.stat(filename.encode('utf-8'))
+</code>
+===== Lettura file di testo =====
+Invece della semplice **''open()''** conviene l'omologa **''codecs.open()''**:
+<code python>
+import codecs
+for line in codecs.open("filename.txt", "r", "iso-8859-15", "replace"):
+    print line.strip()
+</code>