len(unicode字符串)
>>> c='中文'
>>> c
'\xe4\xb8\xad\xe6\x96\x87'
>>> len(c)
6
>>> cu=u'中文'
>>> cu
u'\u4e2d\u6587'
>>> len(cu)
2
>>> s=''
>>> s
'\xf0\xa4\xad\xa2'
>>> len(s)
4
>>> su=u''
>>> su
u'\U00024b62'
>>> len(su)
2
>>> import sys
>>> sys.getdefaultencoding()
'ascii'
>>> sys.stdout.encoding
'UTF-8'首先，我想澄清我自己的一些概念。我了解到像cu=u'中文'这样的unicode字符串实际上是用python默认的UTF-16编码的。对吧?所以，当我们看到'\u*' UTF-16 encoding**？，，，，那实际上是，'\u4e2d\u6587' 是unicode字符串或字节字符串？，但是cu必须存储在内存中，所以
0100 1110 0010 1101 0110 0101 1000 0111(将\u4e2d\u 6587转换为二进制)是cu保存的形式，如果是字节字符串？是对的吗？
但不能是字节字符串。否则连(Cu)不能是2，应该是4！所以它必须是unicode字符串。但是！我也博学那个
python试图用sys.stdout.encoding中当前设置的任何方案隐式地对Unicode字符串进行编码，在本例中是"UTF-8“。
>>> cu.encode('utf-8')
'\xe4\xb8\xad\xe6\x96\x87' 所以!len(cu) == 2怎么可能？是因为里面有两个'\u'吗？
但这不符合len(su) == 2的意思！
我是不是遗漏了什么？
我使用python 2.7.12
回答 1
Stack Overflow用户
发布于 2016-10-03 16:06:01
Python类型包含Unicode代码点，而不是编码。Python如何在内部做到这一点是一个实现细节，而不是大多数时候您需要关注的问题。它们不是UTF-16代码单元，因为UTF-16是另一种可以用来编码Unicode文本的编解码器，就像UTF-8一样。
这里最重要的事情是，标准的Python对象保存字节，字节可能保存也可能不保存对某个编解码器编码的文本(您的示例使用UTF-8，但这不是给定的)，而unicode保存Unicode代码点。在交互式解释器会话中，由终端的编解码器确定Python接收到哪些字节(然后在创建u'...' unicode对象时使用unicode解码这些字节)。
只有在向sys.stdout写入(例如，在使用print时)时，sys.stdout.encoding值才会出现，在这里，sys.stdout.encoding将再次自动编码您的Unicode字符串。只有这样，您的2个Unicode编码点才会再次被编码到UTF-8，并写入您的终端，后者知道如何解释这些代码。
您可能想阅读有关Python和Unicode的内容，我建议：
- 奈德·巴奇尔德( Ned )的语用Unicode
- 每个软件开发人员绝对、积极的绝对最低限度必须了解Unicode和字符集(没有借口！) (乔尔·斯波斯基)
- The Python Unicode HOWTO
https://stackoverflow.com/questions/39835779
复制相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号