返回unicode字符串的前n个字符

不幸的是,由于历史原因,在Python3.0之前,有两种字符串类型。 byte strings ( str ) and Unicode strings ( unicode ) .

在Python3.0中统一之前,有两种方法可以声明字符串文字: unistring = "Μεταλλικα" 它是一个字节字符串, unistring = u"Μεταλλικα" 它是一个Unicode字符串。

你看到的原因 ? 当你这样做的时候 result = unistring[:1] 是因为Unicode文本中的某些字符无法在非Unicode字符串中正确表示。例如,如果你曾经使用过一个非常老的电子邮件客户端,并且收到过希腊等国朋友的电子邮件,那么你可能已经看到了这种问题。

所以在python 2.x中,如果需要处理unicode,就必须显式处理。请看一下在python中处理unicode的介绍: Unicode HOWTO

当你说:

unistring = "Μεταλλικα" #Metallica written in Greek letters

你 没有 Unicode字符串。您有一个以(大概)UTF-8为单位的字节字符串。这不是同一件事。Unicode字符串是Python中单独的数据类型。通过使用正确的编码对字节串进行解码,可以获得Unicode:

unistring = "Μεταλλικα".decode('utf-8')

或者在具有正确编码声明的源文件中使用Unicode文本

# coding: UTF-8
unistring = u"Μεταλλικα"

Unicode字符串将在执行此操作时执行所需的操作。 unistring[:5] .

对于任何类型的“unicode字符串”,都没有正确的直接方法。

即使是python的“unicode”utf-16字符串也有可变长度的字符,因此,不能只使用ustring[:5]进行剪切。因为某些Unicode代码点可能使用多个“字符”,即代理项对。

所以如果你想切5个 代码点 (注意这些不是 文字 )因此,您可以分析文本,请参见 http://en.wikipedia.org/wiki/UTF-8 和 http://en.wikipedia.org/wiki/UTF-16 定义。所以需要使用一些位掩码来计算边界。

而且你仍然没有得到字符。比如说。单词“×_××_×”--希伯来语和平“shalom”由4个字符和6个码位字母“shin”、元音“a”字母“lamed”、字母“vav”和元音“o”以及最后一个字母“mem”组成。

所以 性格