爲什麼Python 3.2中的print（）似乎默認爲UTF-8？

Question

我正在編寫清理Unicode文本文件（存儲爲UTF-8）的腳本，我選擇使用Python 3.x（3.2）而不是更流行的2.x，因爲3.x應該默認爲UTF-8。也許我做錯了什麼，但是看起來至少print語句並不是UTF-8的默認值。如果我嘗試打印字符串（MSG下面是一個字符串）包含特殊字符，我仍然獲得了UnicodeEncodeError這樣的：

print(label, msg) 
... in encode 
    return codecs.charmap_encode(input,self.errors,encoding_map)[0] 
UnicodeEncodeError: 'charmap' codec can't encode character '\u0968' in position 
38: character maps to <undefined> 

如果我使用的編碼（）方法首先（這也很好地默認爲UTF -8），我可避免的錯誤：

print(label, msg.encode()) 

這也適用於打印對象或包含unicode字符串列表 - 這是我經常在調試的時候做的事情 - 因爲STR（）似乎默認爲UTF- 8。但是我真的需要記住每次我想要打印（myobj）時使用print（str（myobj）.encode（））？如果是這樣，我想我可以嘗試用自己的函數來包裝它，但我對處理print（）支持的所有參數置換沒有信心。

此外，我的腳本從一個文件加載正則表達式並逐一應用它們。申請編碼（）之前，我是能夠打印清晰公平的控制檯的東西：

msg = 'Applying regex {} of {}: {}'.format(i, len(regexes), regex._findstr) 
print(msg) 

Applying regex 5 of 15: ^\\ge[0-9]*\b([ ]+[0-9]+\.)?[ ]* 

然而，這種崩潰如果正則表達式包含文字Unicode字符，所以我第一次申請編碼（）的字符串。但現在的正則表達式是很難在屏幕上閱讀（我懷疑我可能有類似的麻煩，如果我嘗試編寫代碼，保存這些正則表達式回磁盤）：

msg = 'Applying regex {} of {}: {}'.format(i, len(regexes), regex._findstr) 
print(msg.encode()) 

b'Applying regex 5 of 15: ^\\\\ge[0-9]*\\b([ ]+[0-9]+\\.)?[ ]*' 

我不是非常有經驗尚在Python中，所以我可能會誤解。任何對教程的解釋或鏈接（對於Python 3.x來說，大部分我在網上看到的都是2.x），我們將非常感激。

Answer 1

print不默認任何編碼，它只是使用輸出設備（如控制檯）聲稱支持的任何編碼。您的控制檯編碼似乎是非Unicode的，因此print會嘗試使用該編碼對您的Unicode字符串進行編碼，並且失敗。解決這個問題的最簡單方法是告訴控制檯使用utf8（例如在unix系統上使用export LC_ALL=en_US.UTF-8）。

Answer 2

更簡單的處理方法是隻在腳本中使用unicode，並且只在需要與「外部」世界進行交互時使用編碼數據。也就是說，當你有輸入來解碼或輸出編碼。

這樣做，每次你讀東西，使用decode，每次你輸出的東西，使用encode。

對於你的正則表達式，使用re.UNICODE標誌。

我知道這並不完全正確地回答你的問題，但我認爲應用這種方法應該可以讓你避免編碼問題。