rigacci.org

This page is read only. You can view the source, but not change it. Ask your administrator if you think this is wrong.
====== Unicode con Python ======

Vedere l'articolo **[[http://www.reportlab.com/i18n/python_unicode_tutorial.html|Python Unicode Tutorial]]**.

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>