Cómo manejar pares sustitutos en códigos Unicode de Python

En Python, los pares sustitutos se utilizan para representar caracteres Unicode más allá del plano multilingüe básico (BMP ). Estos pares constan de dos puntos de código sustituto que se utilizan para codificar un único carácter Unicode.

Al trabajar con cadenas Unicode de Python que contienen pares sustitutos, es posible que encuentre errores relacionados con la codificación sustituta. Estos errores ocurren porque Python maneja pares sustitutos de manera diferente según el contexto.

Manejo de pares sustitutos

Para convertir un par sustituto en una cadena normal, tiene varias opciones:

• Utilice el módulo json:

  • Cargue la cadena en un objeto JSON usando json.loads(). El módulo JSON manejará automáticamente la conversión de pares sustitutos a caracteres Unicode.

• Codificar y decodificar con el método encode():

  • Codifique la cadena usando un códec que admita pares sustitutos, como "utf-16" o "utf-16-le".
  • Decodifica la cadena codificada usando el mismo códec.

  • Ejemplo:

    emoji = "This is \ud83d\ude4f, an emoji."
    encoded = emoji.encode("utf-16")
    decoded = encoded.decode("utf-16")
    print(decoded)  # Output: "This is ?, an emoji."

    Si encuentra un error al codificar o decodificar, puede usar el controlador de errores de paso sustituto para ignorar el sustituto par.
Ejemplo:

• codificado = emoji.encode("utf-16", "surrogatepass") decodificado = codificado.decode ("utf-16") print(decodificado) # Salida: "?"

  • Tenga en cuenta que el enfoque que elija dependerá del contexto específico y del formato de salida deseado.