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Python3 unicode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。

这次吐槽的内容会不一样。不会关联到WSGI或者HTTP及与其相关的东西。通常，我被告知我应该停止抱怨Python3 Unicode系统，因为我不写别人经常写的代码（HTTP库之类的东西），所以我这次准备写点别的东西：一个命令行应用程序。我写了一个很方便的库叫click来让编写它更加简单。

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。Hello World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，Hello World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：

import sys
import shutil
 
for filename in sys.argv[1:]:
  f = sys.stdin
  if filename != '-':
    try:
      f = open(filename, 'rb')
    except IOError as err:
      print  sys.stderr, 'cat.py: %s: %s' % (filename, err)
      continue
  with f:
    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US English，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c locale。c locale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POSIX spec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cat hello.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。

C Locale

C Locale在这里出现的次数非常多。C Locale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。C Locale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error handler
• Python3在C locale下抛出Unicode错误
• LC CTYPE=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SSH session是用ASCII的，或者是因为他们是使用Putty连接的。

Python3 cat

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Unicode API失败，因为编码是C。那么这就是，Python3特性的cat。

import sys
import shutil
 
def _is_binary_reader(stream, default=False):
  try:
    return isinstance(stream.read(0), bytes)
  except Exception:
    return default
 
def _is_binary_writer(stream, default=False):
  try:
    stream.write(b'')
  except Exception:
    try:
      stream.write('')
      return False
    except Exception:
      pass
    return default
  return True
 
def get_binary_stdin():
  # sys.stdin might or might not be binary in some extra cases. By
  # default it's obviously non binary which is the core of the
  # problem but the docs recomend changing it to binary for such
  # cases so we need to deal with it. Also someone might put
  # StringIO there for testing.
  is_binary = _is_binary_reader(sys.stdin, False)
  if is_binary:
    return sys.stdin
  buf = getattr(sys.stdin, 'buffer', None)
  if buf is not None and _is_binary_reader(buf, True):
    return buf
  raise RuntimeError('Did not manage to get binary stdin')
 
def get_binary_stdout():
  if _is_binary_writer(sys.stdout, False):
    return sys.stdout
  buf = getattr(sys.stdout, 'buffer', None)
  if buf is not None and _is_binary_writer(buf, True):
    return buf
  raise RuntimeError('Did not manage to get binary stdout')
 
def filename_to_ui(value):
  # The bytes branch is unecessary for *this* script but otherwise
  # necessary as python 3 still supports addressing files by bytes
  # through separate APIs.
  if isinstance(value, bytes):
    value = value.decode(sys.getfilesystemencoding(), 'replace')
  else:
    value = value.encode('utf-8', 'surrogateescape')       .decode('utf-8', 'replace')
  return value
 
binary_stdout = get_binary_stdout()
for filename in sys.argv[1:]:
  if filename != '-':
    try:
      f = open(filename, 'rb')
    except IOError as err:
      print('cat.py: %s: %s' % (
        filename_to_ui(filename),
        err
      ), file=sys.stderr)
      continue
  else:
    f = get_binary_stdin()
 
  with f:
    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's compat module ，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：

1. shell把文件名以字节传给脚本
2. 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。
3. 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。
4. 将包含替代的unicode串编码为utf-8，然后告诉它处理替代转义。
5. 然后我们从utf-8解码并告诉他忽略错误
6. 结果字符串回到只有文本的流里
7. 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：

1. shell把文件名作为字节传给脚本
2. 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。

但你是错误的

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Hello World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。