准备从Python 2.x转换为3.x

准备从Python 2.x转换为3.x

微级别更改和2to3无法充分解决的最大问题是将默认字符串类型从字节更改为Unipre。

如果您的代码需要对编码和字节I /
O进行任何 *** 作，则需要大量的人工工作才能正确转换，以便必须为字节的内容保留为字节，并在正确的阶段正确解码。您会发现某些字符串方法（尤其是

format()

）和库调用需要Unipre字符串，因此您可能需要额外的解码/编码周期才能将字符串用作Unipre，即使它们实际上只是字节。

某些Python标准库模块已使用2to3进行了粗略转换，而没有适当注意字节/ unipre
/编码问题，因此这无济于事，因此它们自己在适当的字符串类型上会犯错误。其中一些问题已被解决，但是至少从Python
3.0到3.2，您将面临来自urllib，email和wsgiref之类的软件包的混乱和潜在的错误行为，这些软件包需要了解字节编码。

您可以在每次编写字符串文字时都多加注意，以缓解问题。

u''

对于本质上基于字符的任何东西，都使用字符串，

b''

对于真正字节的任何东西，都使用字符串，对于

''

无关紧要的“默认字符串”类型，或者您需要匹配库调用的字符串使用要求，请使用字符串。

不幸的是，该

b''

语法仅在Python 2.6中引入，因此这样做会切断早期版本的用户。

eta：

有什么不同？

天啊。好…

字节包含一个介于0到255之间的值，并且可以表示二进制数据（例如，图像的内容）或某些文本的负载，在这种情况下，必须为如何映射一组数据选择标准。字符放入那些字节。这些大多数“编码”标准都以相同的方式将普通的“
ASCII”字符集映射到字节0至127中，因此在Python 2中使用字节字符串进行纯ASCII文本处理通常是安全的。

如果要在字节字符串中使用ASCII设置之外的任何字符，则会遇到麻烦，因为每种编码都会将不同的字符集映射到其余的字节值128–255中，并且大多数编码不能将每个可能的字符到字节。这是所有这些问题的根源，在这些问题中，您从一个区域设置将文件加载到另一区域设置的Windows应用程序中，并且所有带有重音或非拉丁字母的字母都变成了错误的字母，从而造成了不可读的混乱。（又名“
mojibake”。）

还有“多字节”编码，通过使用多个字节存储每个字符，尝试将更多字符放入可用空间。这些字符是为东亚语言环境引入的，因为有太多的汉字。但是还有UTF-8，这是一种设计更好的现代多字节编码，可以容纳
每个 字符。

如果您正在处理多字节编码的字节字符串，那么今天可能会这样做，因为UTF-8的使用非常广泛。实际上，在现代应用程序中不应使用任何其他编码-
这样，除了跟踪使用的编码方式之外，还有更多的问题。

len()

会告诉您以字节为单位的长度，而不是以字符为单位的长度，如果您开始索引和更改字节，则很有可能将一个多字节序列分成两个部分，从而生成无效序列并使所有内容混乱。

因此，Python
1.6和更高版本具有本机Unipre字符串（拼写为

u'something'

），其中字符串中的每个单位都是字符，而不是字节。您可以对

len()

它们进行切片，替换，对它们进行正则表达式，它们将始终表现适当。对于文本处理任务，它们无疑是更好的，这就是为什么Python
3将它们设置为默认字符串类型（而不必在

u

之前加上

''

）的原因。

问题在于，许多现有接口（例如Windows或HTTP或SMTP以外的OS上的文件名）主要基于字节，并使用了一种指定编码的单独方法。因此，当您处理需要字节的组件时，必须注意将unipre字符串正确编码为字节，而在Python
3中，您将必须在不需要的地方明确地执行此 *** 作。

内部实现细节是Unipre字符串在内部每个单元占用“两个字节”的存储空间。您永远不会看到该存储空间；您不应该以字节为单位来考虑它。无论Python选择如何在内存中表示它们，您正在使用的单元在概念上都是字符。

…在旁边：

这不是真的。在像Windows版本一样的Python的“窄版本”上，Unipre字符串的每个单元从技术上讲都不是字符，而是UTF-16“代码单元”。对于基本多语言平面中的字符，从0x0000–0xFFFF不会有任何区别，但是如果您使用的是16位范围之外的字符，则“星形平面”中的字符会占用分割成两个单位而不是一个单位，并且再次切成片时会有分割字符的风险。

这是非常糟糕的，并且是因为Windows（以及Java等其他语言）在Unipre增长到超过65,000个字符的限制之前就将UTF-16作为一种内存中存储机制而成立的。但是，仍然很少使用这些扩展字符，Windows上的任何人都会习惯于使用它们来破坏许多应用程序，因此对您来说并不重要。

在“广泛构建”中，Unipre字符串由真实字符“代码点”单元组成，因此，即使在BMP之外的扩展字符也可以始终如一地轻松处理。为此付出的代价是效率：每个字符串单元占用内存中的四个字节。