Lista de cadenas Unicode

Question

Si tengo una lista de cadenas Unicode

lst = [ u"aaa", u"bbb", u"foo", u"bar", ... u"baz", u"zzz" ] 

es necesario escribir un prefijo u antes de cada cadena? ¿Puedo hacer una construcción que diga que cada elemento de la primera será cadena unicode y luego escribirlo sin el prefijo u?

Answer 1

En Python 2.7 (también Python 2.6) se puede hacer literales Unicode del defecto para un módulo:

from __future__ import unicode_literals 

Debe incluir la importación en la parte superior del archivo, y luego se aplica a todos literales de cadena en el archivo. Utilizar un prefijo b para obligar a cadenas de bytes:

>>> from __future__ import unicode_literals 
>>> "sss" 
u'sss' 
>>> b"x" 
'x' 

Answer 2

Si su intención es la de convertir un conjunto de cadenas estándar a Unicode, se puede asignar esa función en su lista:

lst = ["aaa", "bbb", "ccc"] 
map(unicode, lst) 

que da

[u"aaa", u"bbb", u"ccc"] 

Sin embargo, si lst contiene un no ASCII cadena de caracteres, tendrá que prefijar esa cadena en particular con el u. Si no lo hace, obtendrá este error en la conversión:

lst = ["\xe4"] 
map(unicode,lst) 

Traceback (most recent call last): 
    File "<stdin>", line 1, in <module> 
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128) 

Como se señaló en los comentarios, esta respuesta es diferente para Python 2.x o 3.x. En Python 3, everything changes:

Todo lo que creía conocer sobre datos binarios y Unicode ha cambiado. Python 3.0 usa los conceptos de texto y datos (binarios) en lugar de cadenas Unicode y cadenas de 8 bits. Todo el texto es Unicode; sin embargo, el código Unicode se representa como datos binarios. El tipo utilizado para contener texto es str, el tipo utilizado para contener datos es bytes. La mayor diferencia con la situación 2.x es que cualquier intento de mezclar texto y datos en Python 3.0 genera TypeError, mientras que si mezclara cadenas Unicode y de 8 bits en Python 2.x, funcionaría si el de 8 bits cadena resultó contener solo bytes de 7 bits (ASCII), pero obtendría UnicodeDecodeError si contenía valores que no fueran ASCII. Este comportamiento específico del valor ha causado numerosas caras tristes a lo largo de los años.