关于你不想知道的所有Python3 unicode特性
我的读者知道我是一个喜欢痛骂Python3unicode的人。这次也不例外。我将会告诉你用unicode有多痛苦和为什么我不能闭嘴。我花了两周时间研究Python3，我需要发泄我的失望。在这些责骂中，仍然有有用的信息，因为它教我们如何来处理Python3。如果没有被我烦到，就读一读吧。
注意，我做的是每一个新手Python程序员做的事情：写一个命令行应用程序。HelloWorld程序。但是不同以往，我想要确保应用程序是稳定的并且对于Python2和Python3的Unicode都是支持的，还能够进行单元测试。所以接下来的就是如何来实现它。
我们想做什么
在Python3我们作为开发者需要好好使用Unicode。显然，我觉得这意味着所有的文本数据都是Unicode，所有非文本数据都是字节。在这么美妙的世界里所有的东西只有黑与白，HelloWorld的例子非常直截了当。所以让我们来写一些shell工具吧。
这是用Python2形式实现的应用程序：
importsys importshutil forfilenameinsys.argv[1:]: f=sys.stdin iffilename!='-': try: f=open(filename,'rb') exceptIOErroraserr: print>>sys.stderr,'cat.py:%s:%s'%(filename,err) continue withf: shutil.copyfileobj(f,sys.stdout)
显然，命令在处理任何命令行选项的时候也不是特别好，不过至少能够用。所以我们开始码代码吧。
UNIX里的UNICODE
上面的代码在Python2是不行的，因为你暗中处理字节。命令行参数是字节，文件名是字节，文件内容也是字节。语言卫道士会指出这是不对的，这样会引发问题，但如果你开始更多考虑它，你会发现这是个不固定的问题。
UNIX是字节，已经被定义成了这样，并且一直会是这样。为了理解为什么你需要观察数据传输的不同场景。
- 终端
- 命令行参数
- 操作系统输入输出层
- 文件系统驱动
顺便提一下，这不是数据可能通过的唯一东西，但是我们来了解一下，在多少场景下我们能了解一个编码。答案是一个也没有。至少我们需要理解一个编码是终端输出区域信息。这个信息可以用来展现转换，也能够理解文本信息所拥有的编码。
举个例子，如果LC_CTYPE的值为en_US.utf-8告诉应用程序系统使用USEnglish，并且大部分文本数据是utf-8编码。实际上还有很多别的变量，不过我们假定这是我们唯一需要看的。注意LC_CTYPE并不代表所有的数据都是utf-8编码的。它代替通知应用程序如何分类文本特性并且什么时候需要应用转换。
这很重要，原因是因为clocale。clocale是POSIX唯一指定的现场，它说所有ASCII编码和来自命令行工具的回复会按照POSIXspec里定义的来对待。
在我们上面的cat工具里，如果它是比特，没有别的方法来对待这些数据。原因是shell里没有指定这数据是什么。例如你调用cathello.txt，终端会在对应用程序编码的时候对hello.txt进行编码。
但是现在想想这个例子echo*。Shell会把目前目录的所有文件名传递给你的应用程序。那它们是什么编码？文件名没有编码！
UNICODE疯狂
现在一个用Windows的人看到这里会说：弄UNIX的人在搞什么呢。但这还不算悲惨。产生这些工作的原因是一些聪明的人设计得这个系统能够向后兼容。不像Windows把每个API都定义两次，在POSIX上，最好的处理方法是为了显示的目的将其假定为字节，用默认的编码方式来编码。
用上面的cat命令来举例。比如有一个关于文件无法打开的错误信息，原始是因为它们不存在或者它们是受保护的，或者其他任何的原因。我们假定文件是用latin1编码的，因为它是来自1995年外部驱动。终端会获取标准输出，它将会试着把它用utf-8编码，因为这是它认为的编码。因为字符串是latin1编码的，因为它无法顺利得解码。但是不怕，不会有什么崩溃，因为你的终端在无法处理它的时候会无视它。
它在图形界面上怎样？每种有两个版本。在一个像Nautilus这样的图形界面上列出所有的文件。它把文件名和图标关联起来，能够双击并且试着使文件名能够显示出来，因而把它解码。例如它会尝试用utf-8解码，错误的地方用问题记号来替代。你的文件名可能不是完全可读的但那是你仍能打开文件。
UNIX上的unicode只在你强制所有东西用它的时候会很疯狂。但那不是unicode在UNIX上工作的方式。UNIX没有区别unicode和字节的API。它们是相同的，使其更容易处理。
CLocale
CLocale在这里出现的次数非常多。CLocale是避免POSIX的规格被强行应用到任何地方的一种手段。POSIX服从操作系统需要支持设置LC_CTYPE，来让一切使用ASCII编码。
这个locale是在不同的情况下挑选的。你主要发现这个locale为所有从cron启动的程序，你的初始化程序和子进程提供一个空的环境。CLocale在环境里复原了一个健全的ASCII地带，否则你无法信任任何东西。
但是ASCII这个词指出它是7bit编码。这不是问题，因为操作系统是能处理字节的！任何基于8bit的内容能正常处理，但你与操作系统遵循约定，那么字符处理会限制在前7bit。任何你的工具生成的信息它会用ASCII编码并且使用英语。
注意POSIX规范没有说你的应用程序应当死于火焰。
Python3死于火焰
Python3在unicode上选择了与UNIX不同的立场。Python3说：任何东西是Unicode（默认情况下，除非是在某些情况下，除非我们发送重复编码的数据，可即使如此，有时候它仍然是Unicode，虽然是错误的Unicode）。文件名是Unicode，终端是Unicode，stdin和stdout是Unicode，有如此多的Unicode。因为UNIX不是Unicode，Python3现在的立场是它是对的UNIX是错的，人们也应该修改POSIX的定义来添加Unicode。那么这样的话，文件名就是Unicode了，终端也是Unicode了，这样也就不会看到一些由于字节导致的错误了。
不是仅仅我这样说。这些是Python关于Unicode的脑残想法导致的bug：
- ASCII是很槽糕的文件名编码
- 用surrogateescape作为默认errorhandler
- Python3在Clocale下抛出Unicode错误
- LCCTYPE=C，pydoc给终端留下一个不能使用的状态
如果你Google一下，你就能发现如此多的吐槽。看看有多少人安装pip模块失败，原因是changelog里的一些字符，或者是因为home文件夹的原因又，或者是因为SSHsession是用ASCII的，或者是因为他们是使用Putty连接的。
Python3cat
现在开始为Python3修复cat。我们如何做？首先，我们需要处理字节，因为有些东西可能会显示一些不符合shell编码的东西。所以无论如何，文件内容需要是字节。但我们也需要打开基本输出来让它支持字节，而它默认是不支持的。我们也需要分别处理一些情况比如UnicodeAPI失败，因为编码是C。那么这就是，Python3特性的cat。
importsys
importshutil
def_is_binary_reader(stream,default=False):
try:
returnisinstance(stream.read(0),bytes)
exceptException:
returndefault
def_is_binary_writer(stream,default=False):
try:
stream.write(b'')
exceptException:
try:
stream.write('')
returnFalse
exceptException:
pass
returndefault
returnTrue
defget_binary_stdin():
#sys.stdinmightormightnotbebinaryinsomeextracases.By
#defaultit'sobviouslynonbinarywhichisthecoreofthe
#problembutthedocsrecomendchangingittobinaryforsuch
#casessoweneedtodealwithit.Alsosomeonemightput
#StringIOtherefortesting.
is_binary=_is_binary_reader(sys.stdin,False)
ifis_binary:
returnsys.stdin
buf=getattr(sys.stdin,'buffer',None)
ifbufisnotNoneand_is_binary_reader(buf,True):
returnbuf
raiseRuntimeError('Didnotmanagetogetbinarystdin')
defget_binary_stdout():
if_is_binary_writer(sys.stdout,False):
returnsys.stdout
buf=getattr(sys.stdout,'buffer',None)
ifbufisnotNoneand_is_binary_writer(buf,True):
returnbuf
raiseRuntimeError('Didnotmanagetogetbinarystdout')
deffilename_to_ui(value):
#Thebytesbranchisunecessaryfor*this*scriptbutotherwise
#necessaryaspython3stillsupportsaddressingfilesbybytes
#throughseparateAPIs.
ifisinstance(value,bytes):
value=value.decode(sys.getfilesystemencoding(),'replace')
else:
value=value.encode('utf-8','surrogateescape')\
.decode('utf-8','replace')
returnvalue
binary_stdout=get_binary_stdout()
forfilenameinsys.argv[1:]:
iffilename!='-':
try:
f=open(filename,'rb')
exceptIOErroraserr:
print('cat.py:%s:%s'%(
filename_to_ui(filename),
err
),file=sys.stderr)
continue
else:
f=get_binary_stdin()
withf:
shutil.copyfileobj(f,binary_stdout)
这不是最差的版本。不是因为我想让事情更加复杂，它现在就是有这么复杂。例如在例子里没有做的是在读取一个二进制的东西是强制清理文本stdout。在这个例子里没有必要，是因为这里的print调用去了stderr而不是stdout，但如果你想打印一些stdout，你就必须清理。为什么？因为stdout是别的缓冲区之上的缓冲区，如果你不强制清理它，你的输出顺序可能会出错。
不仅仅是我，例如看：twisted'scompatmodule，会发现相同的麻烦。
跳起编码舞蹈
为了理解shell里的命令行参数，顺便说一些Python3里最糟糕的情况：
- shell把文件名以字节传给脚本
- 字节在命中你的代码前被Python以预期的解码方式解码。因为这是有损好的过程，Python3使用一个特别的错误处理器来处理解码错误。
- Python代码处理一个没有错误的文件，并且需要格式化一个错误信息。因为我们写文本流的时候如果它不是非法的unicode，是不会写替代的。
- 将包含替代的unicode串编码为utf-8，然后告诉它处理替代转义。
- 然后我们从utf-8解码并告诉他忽略错误
- 结果字符串回到只有文本的流里
- 之后终端会解码我们的字符串来进行显示
以下是Python2里的情况：
- shell把文件名作为字节传给脚本
- shell解码字符串来进行显示
因为Python2版本里的字符串处理只是在出错的时候进行纠正，因为shell在显示文件名时能做得更好。
注意这没有让脚本更不对。如果你需要对输入数据进行实际的字符串处理，你就要在2.x和3.x里面切换到unicode处理。但在那种情况，你也想让你的脚本支持一个—charset参数，那么在2.x和3.x上做的工作差不多。只是在3.x上会更加糟糕，你需要构建在2.x上不需要的二进制标准输出。
很显然我错了，我被人告诉这些：
- 我感到痛苦是因为我不像初学者那样思考，新的unicode系统会对初学者更友好
- 我不考虑windows用户和新的文本模型对windows用户是多么大的改进
- 问题不在于Python，问题在POSIX规范
- Linux发行版需要开始支持C.UTF-8，因为它们被过去一直阻碍着
- 问题是SSH发送了错误的编码。SSH需要修复这个问题。
- Python3里一大堆unicode错误的真正问题是人们不传递明确的编码而假设Python3作出了正确的决定。
- 我与分解代码工作，显然这在Python3里会更难。
- 我应该去改进Python3而不是在twitter和博客上抱怨
- 你在没有问题的地方制造问题。让每个人修复他们的环境和对任何东西进行编码就很好。这是用户的问题。
- Java有这个问题好多年了，这对开发者来说没问题。
你知道吗？我在做HTTP方面的工作的时候就停止了抱怨，因为我接受了这个主意，就是HTTP/WSGI的一大堆问题对人们来说很平常。但你知道什么？在HelloWorld这样的情况下也有相同的问题。可能我应该放弃获得一个高质量的unicode支持的库，就这么将就了。
我可以对以上观点进行反驳，但最终也没关系了。如果Python3是我唯一使用的Python语言，我会解决所有的问题并且使用它开发。有一个完美的另一个语言叫Python2，它有更大的用户基础，并且用户基础是很牢固的。这时我是非常沮丧的。
Python3可能足够强大，会开始让UNIX走Windows走过的路：在很多地方使用unicode，但我很怀疑这样的做法。
更可能的事情是人们仍旧使用Python2，并且用Python3做一些很烂的东西。或者他们会用Go。这门语言使用了与Python2很相似的模型：任何东西都是字节串。并且假设其编码是UTF-8。到此结束。