rewrite translate_newlines for clarity
[python.git] / Doc / howto / unicode.rst
blob4e4921cfc9216b62fd2dd10c22b40ff0fa735e4c
1 *****************
2   Unicode HOWTO
3 *****************
5 :Release: 1.02
7 This HOWTO discusses Python's support for Unicode, and explains various problems
8 that people commonly encounter when trying to work with Unicode.
10 Introduction to Unicode
11 =======================
13 History of Character Codes
14 --------------------------
16 In 1968, the American Standard Code for Information Interchange, better known by
17 its acronym ASCII, was standardized.  ASCII defined numeric codes for various
18 characters, with the numeric values running from 0 to
19 127.  For example, the lowercase letter 'a' is assigned 97 as its code
20 value.
22 ASCII was an American-developed standard, so it only defined unaccented
23 characters.  There was an 'e', but no 'é' or 'Í'.  This meant that languages
24 which required accented characters couldn't be faithfully represented in ASCII.
25 (Actually the missing accents matter for English, too, which contains words such
26 as 'naïve' and 'café', and some publications have house styles which require
27 spellings such as 'coöperate'.)
29 For a while people just wrote programs that didn't display accents.  I remember
30 looking at Apple ][ BASIC programs, published in French-language publications in
31 the mid-1980s, that had lines like these::
33    PRINT "FICHIER EST COMPLETE."
34    PRINT "CARACTERE NON ACCEPTE."
36 Those messages should contain accents, and they just look wrong to someone who
37 can read French.
39 In the 1980s, almost all personal computers were 8-bit, meaning that bytes could
40 hold values ranging from 0 to 255.  ASCII codes only went up to 127, so some
41 machines assigned values between 128 and 255 to accented characters.  Different
42 machines had different codes, however, which led to problems exchanging files.
43 Eventually various commonly used sets of values for the 128-255 range emerged.
44 Some were true standards, defined by the International Standards Organization,
45 and some were **de facto** conventions that were invented by one company or
46 another and managed to catch on.
48 255 characters aren't very many.  For example, you can't fit both the accented
49 characters used in Western Europe and the Cyrillic alphabet used for Russian
50 into the 128-255 range because there are more than 127 such characters.
52 You could write files using different codes (all your Russian files in a coding
53 system called KOI8, all your French files in a different coding system called
54 Latin1), but what if you wanted to write a French document that quotes some
55 Russian text?  In the 1980s people began to want to solve this problem, and the
56 Unicode standardization effort began.
58 Unicode started out using 16-bit characters instead of 8-bit characters.  16
59 bits means you have 2^16 = 65,536 distinct values available, making it possible
60 to represent many different characters from many different alphabets; an initial
61 goal was to have Unicode contain the alphabets for every single human language.
62 It turns out that even 16 bits isn't enough to meet that goal, and the modern
63 Unicode specification uses a wider range of codes, 0-1,114,111 (0x10ffff in
64 base-16).
66 There's a related ISO standard, ISO 10646.  Unicode and ISO 10646 were
67 originally separate efforts, but the specifications were merged with the 1.1
68 revision of Unicode.
70 (This discussion of Unicode's history is highly simplified.  I don't think the
71 average Python programmer needs to worry about the historical details; consult
72 the Unicode consortium site listed in the References for more information.)
75 Definitions
76 -----------
78 A **character** is the smallest possible component of a text.  'A', 'B', 'C',
79 etc., are all different characters.  So are 'È' and 'Í'.  Characters are
80 abstractions, and vary depending on the language or context you're talking
81 about.  For example, the symbol for ohms (Ω) is usually drawn much like the
82 capital letter omega (Ω) in the Greek alphabet (they may even be the same in
83 some fonts), but these are two different characters that have different
84 meanings.
86 The Unicode standard describes how characters are represented by **code
87 points**.  A code point is an integer value, usually denoted in base 16.  In the
88 standard, a code point is written using the notation U+12ca to mean the
89 character with value 0x12ca (4810 decimal).  The Unicode standard contains a lot
90 of tables listing characters and their corresponding code points::
92    0061    'a'; LATIN SMALL LETTER A
93    0062    'b'; LATIN SMALL LETTER B
94    0063    'c'; LATIN SMALL LETTER C
95    ...
96    007B    '{'; LEFT CURLY BRACKET
98 Strictly, these definitions imply that it's meaningless to say 'this is
99 character U+12ca'.  U+12ca is a code point, which represents some particular
100 character; in this case, it represents the character 'ETHIOPIC SYLLABLE WI'.  In
101 informal contexts, this distinction between code points and characters will
102 sometimes be forgotten.
104 A character is represented on a screen or on paper by a set of graphical
105 elements that's called a **glyph**.  The glyph for an uppercase A, for example,
106 is two diagonal strokes and a horizontal stroke, though the exact details will
107 depend on the font being used.  Most Python code doesn't need to worry about
108 glyphs; figuring out the correct glyph to display is generally the job of a GUI
109 toolkit or a terminal's font renderer.
112 Encodings
113 ---------
115 To summarize the previous section: a Unicode string is a sequence of code
116 points, which are numbers from 0 to 0x10ffff.  This sequence needs to be
117 represented as a set of bytes (meaning, values from 0-255) in memory.  The rules
118 for translating a Unicode string into a sequence of bytes are called an
119 **encoding**.
121 The first encoding you might think of is an array of 32-bit integers.  In this
122 representation, the string "Python" would look like this::
124        P           y           t           h           o           n
125     0x50 00 00 00 79 00 00 00 74 00 00 00 68 00 00 00 6f 00 00 00 6e 00 00 00
126        0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
128 This representation is straightforward but using it presents a number of
129 problems.
131 1. It's not portable; different processors order the bytes differently.
133 2. It's very wasteful of space.  In most texts, the majority of the code points
134    are less than 127, or less than 255, so a lot of space is occupied by zero
135    bytes.  The above string takes 24 bytes compared to the 6 bytes needed for an
136    ASCII representation.  Increased RAM usage doesn't matter too much (desktop
137    computers have megabytes of RAM, and strings aren't usually that large), but
138    expanding our usage of disk and network bandwidth by a factor of 4 is
139    intolerable.
141 3. It's not compatible with existing C functions such as ``strlen()``, so a new
142    family of wide string functions would need to be used.
144 4. Many Internet standards are defined in terms of textual data, and can't
145    handle content with embedded zero bytes.
147 Generally people don't use this encoding, instead choosing other encodings that
148 are more efficient and convenient.
150 Encodings don't have to handle every possible Unicode character, and most
151 encodings don't.  For example, Python's default encoding is the 'ascii'
152 encoding.  The rules for converting a Unicode string into the ASCII encoding are
153 simple; for each code point:
155 1. If the code point is < 128, each byte is the same as the value of the code
156    point.
158 2. If the code point is 128 or greater, the Unicode string can't be represented
159    in this encoding.  (Python raises a :exc:`UnicodeEncodeError` exception in this
160    case.)
162 Latin-1, also known as ISO-8859-1, is a similar encoding.  Unicode code points
163 0-255 are identical to the Latin-1 values, so converting to this encoding simply
164 requires converting code points to byte values; if a code point larger than 255
165 is encountered, the string can't be encoded into Latin-1.
167 Encodings don't have to be simple one-to-one mappings like Latin-1.  Consider
168 IBM's EBCDIC, which was used on IBM mainframes.  Letter values weren't in one
169 block: 'a' through 'i' had values from 129 to 137, but 'j' through 'r' were 145
170 through 153.  If you wanted to use EBCDIC as an encoding, you'd probably use
171 some sort of lookup table to perform the conversion, but this is largely an
172 internal detail.
174 UTF-8 is one of the most commonly used encodings.  UTF stands for "Unicode
175 Transformation Format", and the '8' means that 8-bit numbers are used in the
176 encoding.  (There's also a UTF-16 encoding, but it's less frequently used than
177 UTF-8.)  UTF-8 uses the following rules:
179 1. If the code point is <128, it's represented by the corresponding byte value.
180 2. If the code point is between 128 and 0x7ff, it's turned into two byte values
181    between 128 and 255.
182 3. Code points >0x7ff are turned into three- or four-byte sequences, where each
183    byte of the sequence is between 128 and 255.
185 UTF-8 has several convenient properties:
187 1. It can handle any Unicode code point.
188 2. A Unicode string is turned into a string of bytes containing no embedded zero
189    bytes.  This avoids byte-ordering issues, and means UTF-8 strings can be
190    processed by C functions such as ``strcpy()`` and sent through protocols that
191    can't handle zero bytes.
192 3. A string of ASCII text is also valid UTF-8 text.
193 4. UTF-8 is fairly compact; the majority of code points are turned into two
194    bytes, and values less than 128 occupy only a single byte.
195 5. If bytes are corrupted or lost, it's possible to determine the start of the
196    next UTF-8-encoded code point and resynchronize.  It's also unlikely that
197    random 8-bit data will look like valid UTF-8.
201 References
202 ----------
204 The Unicode Consortium site at <http://www.unicode.org> has character charts, a
205 glossary, and PDF versions of the Unicode specification.  Be prepared for some
206 difficult reading.  <http://www.unicode.org/history/> is a chronology of the
207 origin and development of Unicode.
209 To help understand the standard, Jukka Korpela has written an introductory guide
210 to reading the Unicode character tables, available at
211 <http://www.cs.tut.fi/~jkorpela/unicode/guide.html>.
213 Another good introductory article was written by Joel Spolsky
214 <http://www.joelonsoftware.com/articles/Unicode.html>.
215 If this introduction didn't make things clear to you, you should try reading this
216 alternate article before continuing.
218 .. Jason Orendorff XXX http://www.jorendorff.com/articles/unicode/ is broken
220 Wikipedia entries are often helpful; see the entries for "character encoding"
221 <http://en.wikipedia.org/wiki/Character_encoding> and UTF-8
222 <http://en.wikipedia.org/wiki/UTF-8>, for example.
225 Python's Unicode Support
226 ========================
228 Now that you've learned the rudiments of Unicode, we can look at Python's
229 Unicode features.
232 The Unicode Type
233 ----------------
235 Unicode strings are expressed as instances of the :class:`unicode` type, one of
236 Python's repertoire of built-in types.  It derives from an abstract type called
237 :class:`basestring`, which is also an ancestor of the :class:`str` type; you can
238 therefore check if a value is a string type with ``isinstance(value,
239 basestring)``.  Under the hood, Python represents Unicode strings as either 16-
240 or 32-bit integers, depending on how the Python interpreter was compiled.
242 The :func:`unicode` constructor has the signature ``unicode(string[, encoding,
243 errors])``.  All of its arguments should be 8-bit strings.  The first argument
244 is converted to Unicode using the specified encoding; if you leave off the
245 ``encoding`` argument, the ASCII encoding is used for the conversion, so
246 characters greater than 127 will be treated as errors::
248     >>> unicode('abcdef')
249     u'abcdef'
250     >>> s = unicode('abcdef')
251     >>> type(s)
252     <type 'unicode'>
253     >>> unicode('abcdef' + chr(255))
254     Traceback (most recent call last):
255       File "<stdin>", line 1, in ?
256     UnicodeDecodeError: 'ascii' codec can't decode byte 0xff in position 6:
257                         ordinal not in range(128)
259 The ``errors`` argument specifies the response when the input string can't be
260 converted according to the encoding's rules.  Legal values for this argument are
261 'strict' (raise a ``UnicodeDecodeError`` exception), 'replace' (add U+FFFD,
262 'REPLACEMENT CHARACTER'), or 'ignore' (just leave the character out of the
263 Unicode result).  The following examples show the differences::
265     >>> unicode('\x80abc', errors='strict')
266     Traceback (most recent call last):
267       File "<stdin>", line 1, in ?
268     UnicodeDecodeError: 'ascii' codec can't decode byte 0x80 in position 0:
269                         ordinal not in range(128)
270     >>> unicode('\x80abc', errors='replace')
271     u'\ufffdabc'
272     >>> unicode('\x80abc', errors='ignore')
273     u'abc'
275 Encodings are specified as strings containing the encoding's name.  Python 2.4
276 comes with roughly 100 different encodings; see the Python Library Reference at
277 :ref:`standard-encodings` for a list.  Some encodings
278 have multiple names; for example, 'latin-1', 'iso_8859_1' and '8859' are all
279 synonyms for the same encoding.
281 One-character Unicode strings can also be created with the :func:`unichr`
282 built-in function, which takes integers and returns a Unicode string of length 1
283 that contains the corresponding code point.  The reverse operation is the
284 built-in :func:`ord` function that takes a one-character Unicode string and
285 returns the code point value::
287     >>> unichr(40960)
288     u'\ua000'
289     >>> ord(u'\ua000')
290     40960
292 Instances of the :class:`unicode` type have many of the same methods as the
293 8-bit string type for operations such as searching and formatting::
295     >>> s = u'Was ever feather so lightly blown to and fro as this multitude?'
296     >>> s.count('e')
297     5
298     >>> s.find('feather')
299     9
300     >>> s.find('bird')
301     -1
302     >>> s.replace('feather', 'sand')
303     u'Was ever sand so lightly blown to and fro as this multitude?'
304     >>> s.upper()
305     u'WAS EVER FEATHER SO LIGHTLY BLOWN TO AND FRO AS THIS MULTITUDE?'
307 Note that the arguments to these methods can be Unicode strings or 8-bit
308 strings.  8-bit strings will be converted to Unicode before carrying out the
309 operation; Python's default ASCII encoding will be used, so characters greater
310 than 127 will cause an exception::
312     >>> s.find('Was\x9f')
313     Traceback (most recent call last):
314       File "<stdin>", line 1, in ?
315     UnicodeDecodeError: 'ascii' codec can't decode byte 0x9f in position 3: ordinal not in range(128)
316     >>> s.find(u'Was\x9f')
317     -1
319 Much Python code that operates on strings will therefore work with Unicode
320 strings without requiring any changes to the code.  (Input and output code needs
321 more updating for Unicode; more on this later.)
323 Another important method is ``.encode([encoding], [errors='strict'])``, which
324 returns an 8-bit string version of the Unicode string, encoded in the requested
325 encoding.  The ``errors`` parameter is the same as the parameter of the
326 ``unicode()`` constructor, with one additional possibility; as well as 'strict',
327 'ignore', and 'replace', you can also pass 'xmlcharrefreplace' which uses XML's
328 character references.  The following example shows the different results::
330     >>> u = unichr(40960) + u'abcd' + unichr(1972)
331     >>> u.encode('utf-8')
332     '\xea\x80\x80abcd\xde\xb4'
333     >>> u.encode('ascii')
334     Traceback (most recent call last):
335       File "<stdin>", line 1, in ?
336     UnicodeEncodeError: 'ascii' codec can't encode character '\ua000' in position 0: ordinal not in range(128)
337     >>> u.encode('ascii', 'ignore')
338     'abcd'
339     >>> u.encode('ascii', 'replace')
340     '?abcd?'
341     >>> u.encode('ascii', 'xmlcharrefreplace')
342     '&#40960;abcd&#1972;'
344 Python's 8-bit strings have a ``.decode([encoding], [errors])`` method that
345 interprets the string using the given encoding::
347     >>> u = unichr(40960) + u'abcd' + unichr(1972)   # Assemble a string
348     >>> utf8_version = u.encode('utf-8')             # Encode as UTF-8
349     >>> type(utf8_version), utf8_version
350     (<type 'str'>, '\xea\x80\x80abcd\xde\xb4')
351     >>> u2 = utf8_version.decode('utf-8')            # Decode using UTF-8
352     >>> u == u2                                      # The two strings match
353     True
355 The low-level routines for registering and accessing the available encodings are
356 found in the :mod:`codecs` module.  However, the encoding and decoding functions
357 returned by this module are usually more low-level than is comfortable, so I'm
358 not going to describe the :mod:`codecs` module here.  If you need to implement a
359 completely new encoding, you'll need to learn about the :mod:`codecs` module
360 interfaces, but implementing encodings is a specialized task that also won't be
361 covered here.  Consult the Python documentation to learn more about this module.
363 The most commonly used part of the :mod:`codecs` module is the
364 :func:`codecs.open` function which will be discussed in the section on input and
365 output.
368 Unicode Literals in Python Source Code
369 --------------------------------------
371 In Python source code, Unicode literals are written as strings prefixed with the
372 'u' or 'U' character: ``u'abcdefghijk'``.  Specific code points can be written
373 using the ``\u`` escape sequence, which is followed by four hex digits giving
374 the code point.  The ``\U`` escape sequence is similar, but expects 8 hex
375 digits, not 4.
377 Unicode literals can also use the same escape sequences as 8-bit strings,
378 including ``\x``, but ``\x`` only takes two hex digits so it can't express an
379 arbitrary code point.  Octal escapes can go up to U+01ff, which is octal 777.
383     >>> s = u"a\xac\u1234\u20ac\U00008000"
384                ^^^^ two-digit hex escape
385                    ^^^^^^ four-digit Unicode escape
386                                ^^^^^^^^^^ eight-digit Unicode escape
387     >>> for c in s:  print ord(c),
388     ...
389     97 172 4660 8364 32768
391 Using escape sequences for code points greater than 127 is fine in small doses,
392 but becomes an annoyance if you're using many accented characters, as you would
393 in a program with messages in French or some other accent-using language.  You
394 can also assemble strings using the :func:`unichr` built-in function, but this is
395 even more tedious.
397 Ideally, you'd want to be able to write literals in your language's natural
398 encoding.  You could then edit Python source code with your favorite editor
399 which would display the accented characters naturally, and have the right
400 characters used at runtime.
402 Python supports writing Unicode literals in any encoding, but you have to
403 declare the encoding being used.  This is done by including a special comment as
404 either the first or second line of the source file::
406     #!/usr/bin/env python
407     # -*- coding: latin-1 -*-
409     u = u'abcdé'
410     print ord(u[-1])
412 The syntax is inspired by Emacs's notation for specifying variables local to a
413 file.  Emacs supports many different variables, but Python only supports
414 'coding'.  The ``-*-`` symbols indicate to Emacs that the comment is special;
415 they have no significance to Python but are a convention.  Python looks for
416 ``coding: name`` or ``coding=name`` in the comment.
418 If you don't include such a comment, the default encoding used will be ASCII.
419 Versions of Python before 2.4 were Euro-centric and assumed Latin-1 as a default
420 encoding for string literals; in Python 2.4, characters greater than 127 still
421 work but result in a warning.  For example, the following program has no
422 encoding declaration::
424     #!/usr/bin/env python
425     u = u'abcdé'
426     print ord(u[-1])
428 When you run it with Python 2.4, it will output the following warning::
430     amk:~$ python p263.py
431     sys:1: DeprecationWarning: Non-ASCII character '\xe9'
432          in file p263.py on line 2, but no encoding declared;
433          see http://www.python.org/peps/pep-0263.html for details
436 Unicode Properties
437 ------------------
439 The Unicode specification includes a database of information about code points.
440 For each code point that's defined, the information includes the character's
441 name, its category, the numeric value if applicable (Unicode has characters
442 representing the Roman numerals and fractions such as one-third and
443 four-fifths).  There are also properties related to the code point's use in
444 bidirectional text and other display-related properties.
446 The following program displays some information about several characters, and
447 prints the numeric value of one particular character::
449     import unicodedata
451     u = unichr(233) + unichr(0x0bf2) + unichr(3972) + unichr(6000) + unichr(13231)
453     for i, c in enumerate(u):
454         print i, '%04x' % ord(c), unicodedata.category(c),
455         print unicodedata.name(c)
457     # Get numeric value of second character
458     print unicodedata.numeric(u[1])
460 When run, this prints::
462     0 00e9 Ll LATIN SMALL LETTER E WITH ACUTE
463     1 0bf2 No TAMIL NUMBER ONE THOUSAND
464     2 0f84 Mn TIBETAN MARK HALANTA
465     3 1770 Lo TAGBANWA LETTER SA
466     4 33af So SQUARE RAD OVER S SQUARED
467     1000.0
469 The category codes are abbreviations describing the nature of the character.
470 These are grouped into categories such as "Letter", "Number", "Punctuation", or
471 "Symbol", which in turn are broken up into subcategories.  To take the codes
472 from the above output, ``'Ll'`` means 'Letter, lowercase', ``'No'`` means
473 "Number, other", ``'Mn'`` is "Mark, nonspacing", and ``'So'`` is "Symbol,
474 other".  See
475 <http://unicode.org/Public/5.1.0/ucd/UCD.html#General_Category_Values> for a
476 list of category codes.
478 References
479 ----------
481 The Unicode and 8-bit string types are described in the Python library reference
482 at :ref:`typesseq`.
484 The documentation for the :mod:`unicodedata` module.
486 The documentation for the :mod:`codecs` module.
488 Marc-André Lemburg gave a presentation at EuroPython 2002 titled "Python and
489 Unicode".  A PDF version of his slides is available at
490 <http://downloads.egenix.com/python/Unicode-EPC2002-Talk.pdf>, and is an
491 excellent overview of the design of Python's Unicode features.
494 Reading and Writing Unicode Data
495 ================================
497 Once you've written some code that works with Unicode data, the next problem is
498 input/output.  How do you get Unicode strings into your program, and how do you
499 convert Unicode into a form suitable for storage or transmission?
501 It's possible that you may not need to do anything depending on your input
502 sources and output destinations; you should check whether the libraries used in
503 your application support Unicode natively.  XML parsers often return Unicode
504 data, for example.  Many relational databases also support Unicode-valued
505 columns and can return Unicode values from an SQL query.
507 Unicode data is usually converted to a particular encoding before it gets
508 written to disk or sent over a socket.  It's possible to do all the work
509 yourself: open a file, read an 8-bit string from it, and convert the string with
510 ``unicode(str, encoding)``.  However, the manual approach is not recommended.
512 One problem is the multi-byte nature of encodings; one Unicode character can be
513 represented by several bytes.  If you want to read the file in arbitrary-sized
514 chunks (say, 1K or 4K), you need to write error-handling code to catch the case
515 where only part of the bytes encoding a single Unicode character are read at the
516 end of a chunk.  One solution would be to read the entire file into memory and
517 then perform the decoding, but that prevents you from working with files that
518 are extremely large; if you need to read a 2Gb file, you need 2Gb of RAM.
519 (More, really, since for at least a moment you'd need to have both the encoded
520 string and its Unicode version in memory.)
522 The solution would be to use the low-level decoding interface to catch the case
523 of partial coding sequences.  The work of implementing this has already been
524 done for you: the :mod:`codecs` module includes a version of the :func:`open`
525 function that returns a file-like object that assumes the file's contents are in
526 a specified encoding and accepts Unicode parameters for methods such as
527 ``.read()`` and ``.write()``.
529 The function's parameters are ``open(filename, mode='rb', encoding=None,
530 errors='strict', buffering=1)``.  ``mode`` can be ``'r'``, ``'w'``, or ``'a'``,
531 just like the corresponding parameter to the regular built-in ``open()``
532 function; add a ``'+'`` to update the file.  ``buffering`` is similarly parallel
533 to the standard function's parameter.  ``encoding`` is a string giving the
534 encoding to use; if it's left as ``None``, a regular Python file object that
535 accepts 8-bit strings is returned.  Otherwise, a wrapper object is returned, and
536 data written to or read from the wrapper object will be converted as needed.
537 ``errors`` specifies the action for encoding errors and can be one of the usual
538 values of 'strict', 'ignore', and 'replace'.
540 Reading Unicode from a file is therefore simple::
542     import codecs
543     f = codecs.open('unicode.rst', encoding='utf-8')
544     for line in f:
545         print repr(line)
547 It's also possible to open files in update mode, allowing both reading and
548 writing::
550     f = codecs.open('test', encoding='utf-8', mode='w+')
551     f.write(u'\u4500 blah blah blah\n')
552     f.seek(0)
553     print repr(f.readline()[:1])
554     f.close()
556 Unicode character U+FEFF is used as a byte-order mark (BOM), and is often
557 written as the first character of a file in order to assist with autodetection
558 of the file's byte ordering.  Some encodings, such as UTF-16, expect a BOM to be
559 present at the start of a file; when such an encoding is used, the BOM will be
560 automatically written as the first character and will be silently dropped when
561 the file is read.  There are variants of these encodings, such as 'utf-16-le'
562 and 'utf-16-be' for little-endian and big-endian encodings, that specify one
563 particular byte ordering and don't skip the BOM.
566 Unicode filenames
567 -----------------
569 Most of the operating systems in common use today support filenames that contain
570 arbitrary Unicode characters.  Usually this is implemented by converting the
571 Unicode string into some encoding that varies depending on the system.  For
572 example, Mac OS X uses UTF-8 while Windows uses a configurable encoding; on
573 Windows, Python uses the name "mbcs" to refer to whatever the currently
574 configured encoding is.  On Unix systems, there will only be a filesystem
575 encoding if you've set the ``LANG`` or ``LC_CTYPE`` environment variables; if
576 you haven't, the default encoding is ASCII.
578 The :func:`sys.getfilesystemencoding` function returns the encoding to use on
579 your current system, in case you want to do the encoding manually, but there's
580 not much reason to bother.  When opening a file for reading or writing, you can
581 usually just provide the Unicode string as the filename, and it will be
582 automatically converted to the right encoding for you::
584     filename = u'filename\u4500abc'
585     f = open(filename, 'w')
586     f.write('blah\n')
587     f.close()
589 Functions in the :mod:`os` module such as :func:`os.stat` will also accept Unicode
590 filenames.
592 :func:`os.listdir`, which returns filenames, raises an issue: should it return
593 the Unicode version of filenames, or should it return 8-bit strings containing
594 the encoded versions?  :func:`os.listdir` will do both, depending on whether you
595 provided the directory path as an 8-bit string or a Unicode string.  If you pass
596 a Unicode string as the path, filenames will be decoded using the filesystem's
597 encoding and a list of Unicode strings will be returned, while passing an 8-bit
598 path will return the 8-bit versions of the filenames.  For example, assuming the
599 default filesystem encoding is UTF-8, running the following program::
601    fn = u'filename\u4500abc'
602    f = open(fn, 'w')
603    f.close()
605    import os
606    print os.listdir('.')
607    print os.listdir(u'.')
609 will produce the following output::
611    amk:~$ python t.py
612    ['.svn', 'filename\xe4\x94\x80abc', ...]
613    [u'.svn', u'filename\u4500abc', ...]
615 The first list contains UTF-8-encoded filenames, and the second list contains
616 the Unicode versions.
620 Tips for Writing Unicode-aware Programs
621 ---------------------------------------
623 This section provides some suggestions on writing software that deals with
624 Unicode.
626 The most important tip is:
628     Software should only work with Unicode strings internally, converting to a
629     particular encoding on output.
631 If you attempt to write processing functions that accept both Unicode and 8-bit
632 strings, you will find your program vulnerable to bugs wherever you combine the
633 two different kinds of strings.  Python's default encoding is ASCII, so whenever
634 a character with an ASCII value > 127 is in the input data, you'll get a
635 :exc:`UnicodeDecodeError` because that character can't be handled by the ASCII
636 encoding.
638 It's easy to miss such problems if you only test your software with data that
639 doesn't contain any accents; everything will seem to work, but there's actually
640 a bug in your program waiting for the first user who attempts to use characters
641 > 127.  A second tip, therefore, is:
643     Include characters > 127 and, even better, characters > 255 in your test
644     data.
646 When using data coming from a web browser or some other untrusted source, a
647 common technique is to check for illegal characters in a string before using the
648 string in a generated command line or storing it in a database.  If you're doing
649 this, be careful to check the string once it's in the form that will be used or
650 stored; it's possible for encodings to be used to disguise characters.  This is
651 especially true if the input data also specifies the encoding; many encodings
652 leave the commonly checked-for characters alone, but Python includes some
653 encodings such as ``'base64'`` that modify every single character.
655 For example, let's say you have a content management system that takes a Unicode
656 filename, and you want to disallow paths with a '/' character.  You might write
657 this code::
659     def read_file (filename, encoding):
660         if '/' in filename:
661             raise ValueError("'/' not allowed in filenames")
662         unicode_name = filename.decode(encoding)
663         f = open(unicode_name, 'r')
664         # ... return contents of file ...
666 However, if an attacker could specify the ``'base64'`` encoding, they could pass
667 ``'L2V0Yy9wYXNzd2Q='``, which is the base-64 encoded form of the string
668 ``'/etc/passwd'``, to read a system file.  The above code looks for ``'/'``
669 characters in the encoded form and misses the dangerous character in the
670 resulting decoded form.
672 References
673 ----------
675 The PDF slides for Marc-André Lemburg's presentation "Writing Unicode-aware
676 Applications in Python" are available at
677 <http://downloads.egenix.com/python/LSM2005-Developing-Unicode-aware-applications-in-Python.pdf>
678 and discuss questions of character encodings as well as how to internationalize
679 and localize an application.
682 Revision History and Acknowledgements
683 =====================================
685 Thanks to the following people who have noted errors or offered suggestions on
686 this article: Nicholas Bastin, Marius Gedminas, Kent Johnson, Ken Krugler,
687 Marc-André Lemburg, Martin von Löwis, Chad Whitacre.
689 Version 1.0: posted August 5 2005.
691 Version 1.01: posted August 7 2005.  Corrects factual and markup errors; adds
692 several links.
694 Version 1.02: posted August 16 2005.  Corrects factual errors.
697 .. comment Additional topic: building Python w/ UCS2 or UCS4 support
698 .. comment Describe obscure -U switch somewhere?
699 .. comment Describe use of codecs.StreamRecoder and StreamReaderWriter
701 .. comment
702    Original outline:
704    - [ ] Unicode introduction
705        - [ ] ASCII
706        - [ ] Terms
707            - [ ] Character
708            - [ ] Code point
709          - [ ] Encodings
710             - [ ] Common encodings: ASCII, Latin-1, UTF-8
711        - [ ] Unicode Python type
712            - [ ] Writing unicode literals
713                - [ ] Obscurity: -U switch
714            - [ ] Built-ins
715                - [ ] unichr()
716                - [ ] ord()
717                - [ ] unicode() constructor
718            - [ ] Unicode type
719                - [ ] encode(), decode() methods
720        - [ ] Unicodedata module for character properties
721        - [ ] I/O
722            - [ ] Reading/writing Unicode data into files
723                - [ ] Byte-order marks
724            - [ ] Unicode filenames
725        - [ ] Writing Unicode programs
726            - [ ] Do everything in Unicode
727            - [ ] Declaring source code encodings (PEP 263)
728        - [ ] Other issues
729            - [ ] Building Python (UCS2, UCS4)