「01」 - 表示字節到Python中的Unicode轉換的字符串2

Question

如果我有字節 - 11001010或01001010，如果它是有效的代碼點，如何將其轉換回Unicode？

我可以接受輸入並對輸入進行正則表達式檢查，但這樣做會是一種粗糙的方式，並且它僅限於UTF-8。如果我想在未來擴展，我該如何優化解決方案？

的輸入字符串以0和1 - 11001010這是無效

或01001010這是有效

或11010010 11001110這是無效

Answer 1

如果沒有其他文字，分割字符串在空白處，將每個轉換爲整數並將結果提供給bytearray() object進行解碼：

as_binary = bytearray(int(b, 2) for b in inputtext.split()) 
as_unicode = as_binary.decode('utf8') 

通過將整數值放入bytearray()，我們避免了連接單個字符並獲得方便的.decode()方法作爲獎勵。

請注意，這確實希望輸入包含有效的UTF-8的。您可以添加錯誤處理程序來替換錯誤的字節，而不是引發異常，例如​​。

癡迷的，需要一個編解碼器和錯誤處理功能：

def to_text(inputtext, encoding='utf8', errors='strict'): 
    as_binary = bytearray(int(b, 2) for b in inputtext.split()) 
    return as_binary.decode(encoding, errors) 

你的大部分樣本都沒有真正有效的UTF-8，所以演示集errors到'replace'：

>>> to_text('11001010', errors='replace') 
u'\ufffd' 
>>> to_text('01001010', errors='replace') 
u'J' 
>>> to_text('11001010', errors='replace') 
u'\ufffd' 
>>> to_text('11010010 11001110', errors='replace') 
u'\ufffd\ufffd' 

如果要檢測無效數據，請將errors設置爲默認值;正好趕上了UnicodeDecodeError拋出的異常：

>>> to_text('11010010 11001110') 
Traceback (most recent call last): 
    File "<stdin>", line 1, in <module> 
    File "<stdin>", line 3, in to_text 
    File "/Users/mjpieters/Development/venvs/stackoverflow-2.7/lib/python2.7/encodings/utf_8.py", line 16, in decode 
    return codecs.utf_8_decode(input, errors, True) 
UnicodeDecodeError: 'utf8' codec can't decode byte 0xd2 in position 0: invalid continuation byte