python - 如何从 Python 3 中的 UTF-16 代码点获取字符？

Question

我有一个 UTF-16 代码点列表，我需要将其转换为它们以编程方式表示的实际字符。这在 Python 3 中似乎很难做到。

例如，我有一个字符的数字 55357 和 56501，我知道这是钞票表情符号：但我不知道如何在 Python 中转换它。我第一次尝试chr(55357) + chr(56501)，但 Python 似乎假设它是 UTF-8 编码的，因此给了我破碎的 Unicode。

然后我尝试重新编码该字符串，但由于它已损坏 UTF-8，它给了我似乎已损坏的 UTF-16。如果我告诉它不要管它(chr(55357) + chr(56501)).encode('utf-8', 'surrogatepass')，我实际上可以获得字符的有效字节，但它被编码在... CESU-8 中，原因我还不能理解。这不是 Python 原生支持的编码，我找不到可以转换它的编解码器。

我想我可以将这些写入磁盘，然后用正确的编码读取它们，但这听起来真的很糟糕。

在 Python 3 中是否有合理的方法来做到这一点？

标签： pythonpython-3.xutf-16

Answer 1

诀窍不是弄乱，chr而是转换为字节数组，然后您可以将其解码为字符串：

a, b = 55357, 56501
x = a.to_bytes(2, 'little') + b.to_bytes(2, 'little')

print(x.decode('UTF-16'))

这可以推广到任意数量的整数：

data = [55357, 56501]
b = bytes([x for c in data for x in c.to_bytes(2, 'little')])
result = b.decode('utf-16')

类似的东西chr(55357) + chr(56501)不起作用的原因是chr假设没有编码。它适用于原始 Unicode 代码点，因此您正在组合两个不同的字符。正如另一个答案指出的那样，您必须对这两个字符串进行编码并重新解码，或者按照我的建议只获取字节并解码一次。