Objetos y códecs Unicode

Objetos Unicode

Desde la implementación del PEP 393 en Python 3.3, los objetos Unicode utilizan internamente una variedad de representaciones, para permitir el manejo del rango completo de caracteres Unicode mientras se mantiene la eficiencia de memoria. Hay casos especiales para cadenas de caracteres donde todos los puntos de código están por debajo de 128, 256 o 65536; de lo contrario, los puntos de código deben estar por debajo de 1114112 (que es el rango completo de Unicode).

Py_UNICODE* and UTF-8 representations are created on demand and cached in the Unicode object. The Py_UNICODE* representation is deprecated and inefficient.

Debido a la transición entre las API antiguas y las API nuevas, los objetos Unicode pueden estar internamente en dos estados dependiendo de cómo se crearon:

  • Los objetos Unicode «canónicos» son todos los objetos creados por una API Unicode no obsoleta. Utilizan la representación más eficiente permitida por la implementación.

  • Los objetos Unicode «heredados» se han creado a través de una de las API obsoletas (normalmente PyUnicode_FromUnicode()) y solo tienen la representación Py_UNICODE*; Será necesario llamar a PyUnicode_READY() en ellos antes de llamar a cualquier otra API.

Nota

The «legacy» Unicode object will be removed in Python 3.12 with deprecated APIs. All Unicode objects will be «canonical» since then. See PEP 623 for more information.

Tipo Unicode

Estos son los tipos básicos de objetos Unicode utilizados para la implementación de Unicode en Python:

Py_UCS4
Py_UCS2
Py_UCS1

Estos tipos son definiciones de tipo (typedefs) para los tipos “enteros sin signo” (unsigned int) lo suficientemente anchos como para contener caracteres de 32 bits, 16 bits y 8 bits, respectivamente. Cuando se trate con caracteres Unicode individuales, use Py_UCS4.

Nuevo en la versión 3.3.

Py_UNICODE

Este es una definición de tipo (typedef) de wchar_t, que es un tipo de 16 bits o de 32 bits dependiendo de la plataforma.

Distinto en la versión 3.3: En versiones anteriores, este era un tipo de 16 bits o de 32 bits, dependiendo de si seleccionó una versión Unicode «estrecha» o «amplia» de Python en el momento de la compilación.

PyASCIIObject
PyCompactUnicodeObject
PyUnicodeObject

Estos subtipos de PyObject representan un objeto Python Unicode. En casi todos los casos, no deben usarse directamente, ya que todas las funciones API que se ocupan de objetos Unicode toman y retornan punteros PyObject.

Nuevo en la versión 3.3.

PyTypeObject PyUnicode_Type

Esta instancia de PyTypeObject representa el tipo Python Unicode. Está expuesto al código de Python como str.

Las siguientes API son realmente macros de C y se pueden utilizar para realizar comprobaciones rápidas y acceder a datos internos de solo lectura de objetos Unicode:

int PyUnicode_Check(PyObject *o)

Retorna verdadero si el objeto o es un objeto Unicode o una instancia de un subtipo Unicode.

int PyUnicode_CheckExact(PyObject *o)

Retorna verdadero (True) si el objeto o es un objeto Unicode, pero no una instancia de un subtipo.

int PyUnicode_READY(PyObject *o)

Asegura que el objeto de cadena de caracteres o esté en la representación «canónica». Esto es necesario antes de usar cualquiera de las macros de acceso que se describen a continuación.

Retorna 0 en caso de éxito y -1 con una excepción establecida en caso de error, que ocurre en particular si falla la asignación de memoria.

Nuevo en la versión 3.3.

Deprecated since version 3.10, will be removed in version 3.12: This API will be removed with PyUnicode_FromUnicode().

Py_ssize_t PyUnicode_GET_LENGTH(PyObject *o)

Retorna la longitud de la cadena de caracteres Unicode, en puntos de código. o tiene que ser un objeto Unicode en la representación «canónica» (no marcada).

Nuevo en la versión 3.3.

Py_UCS1* PyUnicode_1BYTE_DATA(PyObject *o)
Py_UCS2* PyUnicode_2BYTE_DATA(PyObject *o)
Py_UCS4* PyUnicode_4BYTE_DATA(PyObject *o)

Retorna un puntero a la representación canónica emitida a los tipos enteros UCS1, UCS2 o UCS4 para el acceso directo a los caracteres. No se realizan verificaciones si la representación canónica tiene el tamaño de carácter correcto; use PyUnicode_KIND() para seleccionar el macro correcto. Asegúrese de que se haya llamado a PyUnicode_READY() antes de acceder a esto.

Nuevo en la versión 3.3.

PyUnicode_WCHAR_KIND
PyUnicode_1BYTE_KIND
PyUnicode_2BYTE_KIND
PyUnicode_4BYTE_KIND

Retorna los valores de la macro PyUnicode_KIND().

Nuevo en la versión 3.3.

Deprecated since version 3.10, will be removed in version 3.12: PyUnicode_WCHAR_KIND is deprecated.

int PyUnicode_KIND(PyObject *o)

Retorna una de las constantes de tipo PyUnicode (ver arriba) que indican cuántos bytes por carácter utiliza este objeto Unicode para almacenar sus datos. o tiene que ser un objeto Unicode en la representación «canónica» (no marcada).

Nuevo en la versión 3.3.

void* PyUnicode_DATA(PyObject *o)

Retorna un puntero vacío al búfer Unicode sin formato. o tiene que ser un objeto Unicode en la representación «canónica» (no marcada).

Nuevo en la versión 3.3.

void PyUnicode_WRITE(int kind, void *data, Py_ssize_t index, Py_UCS4 value)

Escribe en una representación canónica data (como se obtiene con PyUnicode_DATA()). Esta macro no realiza ninguna comprobación de cordura y está diseñado para su uso en bucles. La persona que llama debe almacenar en caché el valor kind y el puntero data como se obtiene de otras llamadas de la macro. index es el índice en la cadena de caracteres (comienza en 0) y value es el nuevo valor del punto de código que debe escribirse en esa ubicación.

Nuevo en la versión 3.3.

Py_UCS4 PyUnicode_READ(int kind, void *data, Py_ssize_t index)

Lee un punto de código de una representación canónica data (obtenido con PyUnicode_DATA()). No se realizan verificaciones ni llamadas preparadas.

Nuevo en la versión 3.3.

Py_UCS4 PyUnicode_READ_CHAR(PyObject *o, Py_ssize_t index)

Lee un carácter de un objeto Unicode o, que debe estar en la representación «canónica». Esto es menos eficiente que PyUnicode_READ() si realiza varias lecturas consecutivas.

Nuevo en la versión 3.3.

PyUnicode_MAX_CHAR_VALUE(o)

Retorna el punto de código máximo adecuado para crear otra cadena de caracteres basada en o, que debe estar en la representación «canónica». Esto siempre es una aproximación pero más eficiente que iterar sobre la cadena.

Nuevo en la versión 3.3.

int PyUnicode_ClearFreeList()

Borra la lista gratuita. Retorna el número total de artículos liberados.

Py_ssize_t PyUnicode_GET_SIZE(PyObject *o)

Retorna el tamaño de la representación en desuso Py_UNICODE, en unidades de código (esto incluye pares sustitutos como 2 unidades). o tiene que ser un objeto Unicode (no marcado).

Deprecated since version 3.3, will be removed in version 3.12: Parte de la API Unicode de estilo antiguo, por favor migrar para usar PyUnicode_GET_LENGTH().

Py_ssize_t PyUnicode_GET_DATA_SIZE(PyObject *o)

Retorna el tamaño de la representación en desuso Py_UNICODE en bytes. o tiene que ser un objeto Unicode (no marcado).

Deprecated since version 3.3, will be removed in version 3.12: Parte de la API Unicode de estilo antiguo, por favor migrar para usar PyUnicode_GET_LENGTH().

Py_UNICODE* PyUnicode_AS_UNICODE(PyObject *o)
const char* PyUnicode_AS_DATA(PyObject *o)

Retorna un puntero a una representación Py_UNICODE del objeto. El búfer retornado siempre termina con un punto de código nulo adicional. También puede contener puntos de código nulo incrustados, lo que provocaría que la cadena de caracteres se truncara cuando se usara en la mayoría de las funciones de C. La forma AS_DATA arroja el puntero a const char *. El argumento o tiene que ser un objeto Unicode (no marcado).

Distinto en la versión 3.3: Esta macro ahora es ineficiente, porque en muchos casos la representación Py_UNICODE no existe y necesita ser creada, y puede fallar (retornar NULL con un conjunto de excepciones). Intente portar el código para usar las nuevas macros PyUnicode_nBYTE_DATA() o use PyUnicode_WRITE() o PyUnicode_READ().

Deprecated since version 3.3, will be removed in version 3.12: Parte de la antigua API Unicode, por favor migre para usar la familia de macros PyUnicode_nBYTE_DATA().

Propiedades de caracteres Unicode

Unicode proporciona muchas propiedades de caracteres diferentes. Los que se necesitan con mayor frecuencia están disponibles a través de estas macros que se asignan a las funciones de C según la configuración de Python.

int Py_UNICODE_ISSPACE(Py_UNICODE ch)

Retorna 1 o 0 dependiendo de si ch es un carácter de espacio en blanco.

int Py_UNICODE_ISLOWER(Py_UNICODE ch)

Retorna 1 o 0 dependiendo de si ch es un carácter en minúscula.

int Py_UNICODE_ISUPPER(Py_UNICODE ch)

Retorna 1 o 0 dependiendo de si ch es un carácter en mayúscula.

int Py_UNICODE_ISTITLE(Py_UNICODE ch)

Retorna 1 o 0 dependiendo de si ch es un carácter en caso de título (titlecase).

int Py_UNICODE_ISLINEBREAK(Py_UNICODE ch)

Retorna 1 o 0 dependiendo de si ch es un carácter de salto de línea.

int Py_UNICODE_ISDECIMAL(Py_UNICODE ch)

Retorna 1 o 0 dependiendo de si ch es un carácter decimal o no.

int Py_UNICODE_ISDIGIT(Py_UNICODE ch)

Retorna 1 o 0 dependiendo de si ch es un carácter de dígitos.

int Py_UNICODE_ISNUMERIC(Py_UNICODE ch)

Retorna 1 o 0 dependiendo de si ch es un carácter numérico.

int Py_UNICODE_ISALPHA(Py_UNICODE ch)

Retorna 1 o 0 dependiendo de si ch es un carácter alfabético.

int Py_UNICODE_ISALNUM(Py_UNICODE ch)

Retorna 1 o 0 dependiendo de si ch es un carácter alfanumérico.

int Py_UNICODE_ISPRINTABLE(Py_UNICODE ch)

Retorna 1 o 0 dependiendo de si ch es un carácter imprimible. Los caracteres no imprimibles son aquellos definidos en la base de datos de caracteres Unicode como «Otro» o «Separador», excepto el espacio ASCII (0x20) que se considera imprimible. (Tenga en cuenta que los caracteres imprimibles en este contexto son aquellos a los que no se debe escapar cuando repr() se invoca en una cadena de caracteres. No tiene relación con el manejo de cadenas de caracteres escritas en sys.stdout o sys.stderr.)

Estas API se pueden usar para conversiones caracteres rápidas y directos:

Py_UNICODE Py_UNICODE_TOLOWER(Py_UNICODE ch)

Retorna el carácter ch convertido a minúsculas.

Obsoleto desde la versión 3.3: Esta función utiliza conversiones simples.

Py_UNICODE Py_UNICODE_TOUPPER(Py_UNICODE ch)

Retorna el carácter ch convertido a mayúsculas.

Obsoleto desde la versión 3.3: Esta función utiliza conversiones simples.

Py_UNICODE Py_UNICODE_TOTITLE(Py_UNICODE ch)

Retorna el carácter ch convertido a formato de título (titlecase).

Obsoleto desde la versión 3.3: Esta función utiliza conversiones simples.

int Py_UNICODE_TODECIMAL(Py_UNICODE ch)

Retorna el carácter ch convertido a un entero positivo decimal. Retorna -1 si esto no es posible. Esta macro no genera excepciones.

int Py_UNICODE_TODIGIT(Py_UNICODE ch)

Retorna el carácter ch convertido a un entero de un solo dígito. Retorna -1 si esto no es posible. Esta macro no genera excepciones.

double Py_UNICODE_TONUMERIC(Py_UNICODE ch)

Retorna el carácter ch convertido a doble. retorne -1.0 si esto no es posible. Esta macro no genera excepciones.

Estas API se pueden usar para trabajar con sustitutos:

Py_UNICODE_IS_SURROGATE(ch)

Comprueba si ch es un sustituto (0xD800 <= ch <= 0xDFFF).

Py_UNICODE_IS_HIGH_SURROGATE(ch)

Comprueba si ch es un sustituto alto (0xD800 <= ch <= 0xDFFF).

Py_UNICODE_IS_LOW_SURROGATE(ch)

Comprueba si ch es un sustituto bajo (0xD800 <= ch <= 0xDFFF).

Py_UNICODE_JOIN_SURROGATES(high, low)

Une dos caracteres sustitutos y retorna un solo valor Py_UCS4. high y low son respectivamente los sustitutos iniciales y finales en un par sustituto.

Creando y accediendo a cadenas de caracteres Unicode

Para crear objetos Unicode y acceder a sus propiedades de secuencia básicas, use estas API:

PyObject* PyUnicode_New(Py_ssize_t size, Py_UCS4 maxchar)
Return value: New reference.

Crea un nuevo objeto Unicode. maxchar debe ser el punto de código máximo que se colocará en la cadena de caracteres. Como una aproximación, se puede redondear al valor más cercano en la secuencia 127, 255, 65535, 1114111.

Esta es la forma recomendada de asignar un nuevo objeto Unicode. Los objetos creados con esta función no se pueden redimensionar.

Nuevo en la versión 3.3.

PyObject* PyUnicode_FromKindAndData(int kind, const void *buffer, Py_ssize_t size)
Return value: New reference.

Crea un nuevo objeto Unicode con el tipo kind dado (los valores posibles son PyUnicode_1BYTE_KIND etc., según lo retornado por PyUnicode_KIND()). El búfer debe apuntar a un vector (array) de tamaño unidades de 1, 2 o 4 bytes por carácter, según el tipo.

Nuevo en la versión 3.3.

PyObject* PyUnicode_FromStringAndSize(const char *u, Py_ssize_t size)
Return value: New reference.

Crea un objeto Unicode desde el búfer de caracteres u. Los bytes se interpretarán como codificados en UTF-8. El búfer se copia en el nuevo objeto. Si el búfer no es NULL, el valor de retorno podría ser un objeto compartido, es decir, no se permite la modificación de los datos.

If u is NULL, this function behaves like PyUnicode_FromUnicode() with the buffer set to NULL. This usage is deprecated in favor of PyUnicode_New(), and will be removed in Python 3.12.

PyObject *PyUnicode_FromString(const char *u)
Return value: New reference.

Crea un objeto Unicode a partir de un búfer u de caracteres terminado en nulo y codificado en UTF-8.

PyObject* PyUnicode_FromFormat(const char *format, ...)
Return value: New reference.

Toma una cadena de caracteres format con el estilo de printf() en C y un número variable de argumentos, calcula el tamaño de la cadena Python Unicode resultante y retorna una cadena de caracteres con los valores formateados. Los argumentos variables deben ser tipos de C y deben corresponder exactamente a los caracteres de formato en la cadena de caracteres format codificada en ASCII. Se permiten los siguientes caracteres de formato:

Formatear caracteres

Tipo

Comentario

%%

n/a

El carácter literal %.

%c

int

Un solo carácter, representado como un entero (int) de C.

%d

int

Equivalente a printf("%d"). 1

%u

unsigned int

Equivalente a printf("%u"). 1

%ld

long

Equivalente a printf("%ld"). 1

%li

long

Equivalente a printf("%li"). 1

%lu

unsigned long

Equivalente a printf("%lu"). 1

%lld

long long

Equivalente a printf("%lld"). 1

%lli

long long

Equivalente a printf("%lli"). 1

%llu

unsigned long long

Equivalente a printf("%llu"). 1

%zd

Py_ssize_t

Equivalente a printf("%zd"). 1

%zi

Py_ssize_t

Equivalente a printf("%zi"). 1

%zu

size_t

Equivalente a printf("%zu"). 1

%i

int

Equivalente a printf("%i"). 1

%x

int

Equivalente a printf("%x"). 1

%s

const char*

Un arreglo de caracteres de C terminada en nulo.

%p

const void*

La representación hexadecimal de un puntero en C. Principalmente equivalente a printf("%p") excepto que se garantiza que comience con el literal 0x, independiente de lo que produzca el printf de la plataforma.

%A

PyObject*

El resultado de llamar ascii().

%U

PyObject*

Un objeto Unicode.

%V

PyObject*, const char*

Un objeto Unicode (que puede ser NULL) y un arreglo de caracteres de C terminada en nulo como segundo parámetro (que se utilizará, si el primer parámetro es NULL).

%S

PyObject*

El resultado de llamar PyObject_Str().

%R

PyObject*

El resultado de llamar PyObject_Repr().

Un carácter de formato no reconocido hace que todo el resto de la cadena de formato se copie tal cual a la cadena de resultado y se descartan los argumentos adicionales.

Nota

La unidad del formateador de ancho es el número de caracteres en lugar de bytes. La unidad del formateador de precisión es la cantidad de bytes para "%s" y "%V" `` (si el argumento ``PyObject* es NULL), y una cantidad de caracteres para "%A", "%U", "%S", "%R" y "%V" (si el argumento PyObject* no es NULL).

1(1,2,3,4,5,6,7,8,9,10,11,12,13)

Para especificadores de enteros (d, u, ld, li, lu, lld, lli, llu, zd, zi, zu, i, x): el indicador de conversión 0 tiene efecto incluso cuando se proporciona una precisión.

Distinto en la versión 3.2: Soporte agregado para "%lld" y "%llu".

Distinto en la versión 3.3: Soporte agregado para "%li", "%lli" y "%zi".

Distinto en la versión 3.4: Soporte agregado para formateadores de anchura y precisión para "%s", "%A", "%U", "%V", "%S", "%R".

PyObject* PyUnicode_FromFormatV(const char *format, va_list vargs)
Return value: New reference.

Idéntico a PyUnicode_FromFormat() excepto que toma exactamente dos argumentos.

PyObject* PyUnicode_FromEncodedObject(PyObject *obj, const char *encoding, const char *errors)
Return value: New reference.

Decodifica un objeto codificado obj en un objeto Unicode.

bytes, bytearray y otros los objetos similares a bytes se decodifican de acuerdo con el encoding dado y utilizan el manejo de errores definido por errors. Ambos pueden ser NULL para que la interfaz use los valores predeterminados (ver Códecs incorporados para más detalles).

Todos los demás objetos, incluidos los objetos Unicode, hacen que se establezca un TypeError.

La API retorna NULL si hubo un error. La entidad que hace la llamadas es la responsable de desreferenciar los objetos retornados.

Py_ssize_t PyUnicode_GetLength(PyObject *unicode)

Retorna la longitud del objeto Unicode, en puntos de código.

Nuevo en la versión 3.3.

Py_ssize_t PyUnicode_CopyCharacters(PyObject *to, Py_ssize_t to_start, PyObject *from, Py_ssize_t from_start, Py_ssize_t how_many)

Copia caracteres de un objeto Unicode en otro. Esta función realiza la conversión de caracteres cuando es necesario y recurre a memcpy() si es posible. Retorna -1 y establece una excepción en caso de error; de lo contrario, retorna el número de caracteres copiados.

Nuevo en la versión 3.3.

Py_ssize_t PyUnicode_Fill(PyObject *unicode, Py_ssize_t start, Py_ssize_t length, Py_UCS4 fill_char)

Rellena una cadena con un carácter: escriba fill_char en unicode[inicio:inicio+longitud].

Falla si fill_char es más grande que el carácter máximo de la cadena, o si la cadena tiene más de 1 referencia.

Retorna el número de caracteres escritos o retorna -1 y genera una excepción en caso de error.

Nuevo en la versión 3.3.

int PyUnicode_WriteChar(PyObject *unicode, Py_ssize_t index, Py_UCS4 character)

Escribe un carácter en una cadena de caracteres. La cadena debe haberse creado a través de PyUnicode_New(). Dado que se supone que las cadenas de caracteres Unicode son inmutables, la cadena no debe compartirse o no se ha cifrado todavía.

Esta función comprueba que unicode es un objeto Unicode, que el índice no está fuera de los límites y que el objeto se puede modificar de forma segura (es decir, si su número de referencia es uno).

Nuevo en la versión 3.3.

Py_UCS4 PyUnicode_ReadChar(PyObject *unicode, Py_ssize_t index)

Lee un carácter de una cadena de caracteres. Esta función verifica que unicode es un objeto Unicode y que el índice no está fuera de límites, en contraste con la versión de macro PyUnicode_READ_CHAR().

Nuevo en la versión 3.3.

PyObject* PyUnicode_Substring(PyObject *str, Py_ssize_t start, Py_ssize_t end)
Return value: New reference.

Retorna una subcadena de caracteres de str, desde el índice de caracteres start (incluido) al índice de caracteres end (excluido). Los índices negativos no son compatibles.

Nuevo en la versión 3.3.

Py_UCS4* PyUnicode_AsUCS4(PyObject *u, Py_UCS4 *buffer, Py_ssize_t buflen, int copy_null)

Copia la cadena de caracteres u en un búfer UCS4, incluido un carácter nulo, si copy_null está configurado. Retorna NULL y establece una excepción en caso de error (en particular, a SystemError si buflen es menor que la longitud de u). buffer se retorna en caso de éxito.

Nuevo en la versión 3.3.

Py_UCS4* PyUnicode_AsUCS4Copy(PyObject *u)

Copia la cadena de caracteres u en un nuevo búfer UCS4 que se asigna usando PyMem_Malloc(). Si esto falla, se retorna NULL con un MemoryError establecido. El búfer retornado siempre tiene un punto de código nulo adicional agregado.

Nuevo en la versión 3.3.

APIs de Py_UNICODE deprecadas

Deprecated since version 3.3, will be removed in version 3.12.

Estas funciones API están en desuso con la implementación de PEP 393. Los módulos de extensión pueden continuar usándolos, ya que no se eliminarán en Python 3.x, pero deben ser conscientes de que su uso ahora puede causar problemas de rendimiento y memoria.

PyObject* PyUnicode_FromUnicode(const Py_UNICODE *u, Py_ssize_t size)
Return value: New reference.

Crea un objeto Unicode desde el búfer Py_UNICODE u del tamaño dado. u puede ser NULL, lo que hace que el contenido no esté definido. Es responsabilidad del usuario completar los datos necesarios. El búfer se copia en el nuevo objeto.

Si el búfer no es NULL, el valor de retorno podría ser un objeto compartido. Por lo tanto, la modificación del objeto Unicode resultante solo se permite cuando u es NULL.

Si el búfer es NULL, se debe llamar a PyUnicode_READY() una vez que se haya llenado el contenido de la cadena de caracteres antes de usar cualquiera de las macros de acceso, como PyUnicode_KIND().

Deprecated since version 3.3, will be removed in version 3.12: Part of the old-style Unicode API, please migrate to using PyUnicode_FromKindAndData(), PyUnicode_FromWideChar(), or PyUnicode_New().

Py_UNICODE* PyUnicode_AsUnicode(PyObject *unicode)

Retorna un puntero de solo lectura al búfer Py_UNICODE interno del objeto Unicode, o NULL en caso de error. Esto creará la representación Py_UNICODE* del objeto si aún no está disponible. El búfer siempre termina con un punto de código nulo adicional. Tenga en cuenta que la cadena de caracteres resultante Py_UNICODE también puede contener puntos de código nulo incrustados, lo que provocaría que la cadena se truncara cuando se usara en la mayoría de las funciones de C.

Deprecated since version 3.3, will be removed in version 3.12: Part of the old-style Unicode API, please migrate to using PyUnicode_AsUCS4(), PyUnicode_AsWideChar(), PyUnicode_ReadChar() or similar new APIs.

Deprecated since version 3.3, will be removed in version 3.10.

PyObject* PyUnicode_TransformDecimalToASCII(Py_UNICODE *s, Py_ssize_t size)
Return value: New reference.

Crea un objeto Unicode reemplazando todos los dígitos decimales en el búfer Py_UNICODE del size dado por dígitos ASCII 0–9 de acuerdo con su valor decimal. Retorna NULL si ocurre una excepción.

Deprecated since version 3.3, will be removed in version 3.11: Part of the old-style Py_UNICODE API; please migrate to using Py_UNICODE_TODECIMAL().

Py_UNICODE* PyUnicode_AsUnicodeAndSize(PyObject *unicode, Py_ssize_t *size)

Como PyUnicode_AsUnicode(), pero también guarda la longitud del arreglo Py_UNICODE() (excluyendo el terminador nulo adicional) en size. Tenga en cuenta que la cadena de caracteres resultante Py_UNICODE* puede contener puntos de código nulo incrustados, lo que provocaría que la cadena se truncara cuando se usara en la mayoría de las funciones de C.

Nuevo en la versión 3.3.

Deprecated since version 3.3, will be removed in version 3.12: Part of the old-style Unicode API, please migrate to using PyUnicode_AsUCS4(), PyUnicode_AsWideChar(), PyUnicode_ReadChar() or similar new APIs.

Py_UNICODE* PyUnicode_AsUnicodeCopy(PyObject *unicode)

Crea una copia de una cadena de caracteres Unicode que termina con un punto de código nulo. Retorna NULL y genera una excepción MemoryError en caso de fallo de asignación de memoria; de lo contrario, retorna un nuevo búfer asignado (use PyMem_Free() para liberar el búfer). Tenga en cuenta que la cadena de caracteres resultante Py_UNICODE* puede contener puntos de código nulo incrustados, lo que provocaría que la cadena se truncara cuando se usara en la mayoría de las funciones de C.

Nuevo en la versión 3.2.

Por favor migrar para usar PyUnicode_AsUCS4Copy() o API nuevas similares.

Py_ssize_t PyUnicode_GetSize(PyObject *unicode)

Retorna el tamaño de la representación en desuso Py_UNICODE, en unidades de código (esto incluye pares sustitutos como 2 unidades).

Deprecated since version 3.3, will be removed in version 3.12: Parte de la API Unicode de estilo antiguo, por favor migrar para usar PyUnicode_GET_LENGTH().

PyObject* PyUnicode_FromObject(PyObject *obj)
Return value: New reference.

Copia una instancia de un subtipo Unicode a un nuevo objeto Unicode verdadero si es necesario. Si obj ya es un verdadero objeto Unicode (no un subtipo), retorna la referencia con un recuento incrementado.

Los objetos que no sean Unicode o sus subtipos causarán un TypeError.

Codificación regional

La codificación local actual se puede utilizar para decodificar texto del sistema operativo.

PyObject* PyUnicode_DecodeLocaleAndSize(const char *str, Py_ssize_t len, const char *errors)
Return value: New reference.

Decodifica una cadena de caracteres UTF-8 en Android y VxWorks, o de la codificación de configuración regional actual en otras plataformas. Los manejadores de errores admitidos son "estricto" y "subrogateescape" (PEP 383). El decodificador usa el controlador de errores "estricto" si errors es``NULL``. str debe terminar con un carácter nulo pero no puede contener caracteres nulos incrustados.

Utilice PyUnicode_DecodeFSDefaultAndSize() para decodificar una cadena de Py_FileSystemDefaultEncoding (la codificación de la configuración regional leída al iniciar Python).

Esta función ignora el modo Python UTF-8.

Ver también

La función Py_DecodeLocale().

Nuevo en la versión 3.3.

Distinto en la versión 3.7: La función ahora también usa la codificación de configuración regional actual para el controlador de errores subrogateescape, excepto en Android. Anteriormente, Py_DecodeLocale() se usaba para el subrogateescape, y la codificación local actual se usaba para estricto.

PyObject* PyUnicode_DecodeLocale(const char *str, const char *errors)
Return value: New reference.

Similar a PyUnicode_DecodeLocaleAndSize(), pero calcula la longitud de la cadena de caracteres usando strlen().

Nuevo en la versión 3.3.

PyObject* PyUnicode_EncodeLocale(PyObject *unicode, const char *errors)
Return value: New reference.

Codifica un objeto Unicode UTF-8 en Android y VxWorks, o en la codificación local actual en otras plataformas. Los manejadores de errores admitidos son "estricto" `` y ``"subrogateescape" (PEP 383). El codificador utiliza el controlador de errores "estricto" si errors es NULL. Retorna un objeto bytes. unicode no puede contener caracteres nulos incrustados.

Utilice PyUnicode_EncodeFSDefault() para codificar una cadena de caracteres en Py_FileSystemDefaultEncoding (la codificación de la configuración regional leída al iniciar Python).

Esta función ignora el modo Python UTF-8.

Ver también

La función Py_EncodeLocale().

Nuevo en la versión 3.3.

Distinto en la versión 3.7: La función ahora también usa la codificación de configuración regional actual para el controlador de errores subrogateescape, excepto en Android. Anteriormente, Py_EncodeLocale() se usaba para el subrogateescape, y la codificación local actual se usaba para estricto.

Codificación del sistema de archivos

Para codificar y decodificar nombres de archivo y otras cadenas de caracteres de entorno, Py_FileSystemDefaultEncoding debe usarse como codificación, y Py_FileSystemDefaultEncodeErrors debe usarse como controlador de errores (PEP 383 y PEP 529). Para codificar nombres de archivo a bytes durante el análisis de argumentos, se debe usar el convertidor "O&", pasando PyUnicode_FSConverter() como la función de conversión:

int PyUnicode_FSConverter(PyObject* obj, void* result)

Convertidor ParseTuple : codificar objetos str – obtenidos directamente o mediante la interfaz os.PathLike – a bytes usando PyUnicode_EncodeFSDefault(); los objetos bytes se emiten tal cual. result debe ser un PyBytesObject* que debe liberarse cuando ya no se use.

Nuevo en la versión 3.1.

Distinto en la versión 3.6: Acepta un objeto similar a una ruta (path-like object).

Para decodificar nombres de archivo a str durante el análisis de argumentos, se debe usar el convertidor "O&", pasando PyUnicode_FSDecoder() como la función de conversión:

int PyUnicode_FSDecoder(PyObject* obj, void* result)

Conversor ParseTuple: decodifica objetos bytes – obtenidos directa o indirectamente a través de la interfaz os.PathLike – a str usando PyUnicode_DecodeFSDefaultAndSize(); los objetos str se generan tal cual. result debe ser PyUnicodeObject* que debe liberarse cuando ya no se use.

Nuevo en la versión 3.2.

Distinto en la versión 3.6: Acepta un objeto similar a una ruta (path-like object).

PyObject* PyUnicode_DecodeFSDefaultAndSize(const char *s, Py_ssize_t size)
Return value: New reference.

Decodifica una cadena usando Py_FileSystemDefaultEncoding y el controlador de errores Py_FileSystemDefaultEncodeErrors.

Si Py_FileSystemDefaultEncoding no está configurado, recurre a la codificación de configuración regional.

Py_FileSystemDefaultEncoding se inicializa al inicio desde la codificación local y no se puede modificar más tarde. Si se necesita decodificar una cadena de caracteres de la codificación local actual, utilice PyUnicode_DecodeLocaleAndSize().

Ver también

La función Py_DecodeLocale().

Distinto en la versión 3.6: Utilice el controlador de errores Py_FileSystemDefaultEncodeErrors.

PyObject* PyUnicode_DecodeFSDefault(const char *s)
Return value: New reference.

Decodifique una cadena terminada en nulo usando Py_FileSystemDefaultEncoding y el Py_FileSystemDefaultEncodeErrors controlador de errores.

Si Py_FileSystemDefaultEncoding no está configurado, recurre a la codificación de configuración regional.

Utilice PyUnicode_DecodeFSDefaultAndSize() si conoce la longitud de la cadena.

Distinto en la versión 3.6: Utilice el controlador de errores Py_FileSystemDefaultEncodeErrors.

PyObject* PyUnicode_EncodeFSDefault(PyObject *unicode)
Return value: New reference.

Codifica un objeto Unicode para Py_FileSystemDefaultEncoding con el manejador de errores Py_FileSystemDefaultEncodeErrors, y retorna bytes. Tenga en cuenta que el objeto resultante bytes puede contener bytes nulos.

Si Py_FileSystemDefaultEncoding no está configurado, recurre a la codificación de configuración regional.

Py_FileSystemDefaultEncoding se inicializa al inicio desde la codificación local y no se puede modificar más tarde. Si necesita codificar una cadena a la codificación local actual, utilice PyUnicode_EncodeLocale().

Ver también

La función Py_EncodeLocale().

Nuevo en la versión 3.2.

Distinto en la versión 3.6: Utilice el controlador de errores Py_FileSystemDefaultEncodeErrors.

Soporte wchar_t

soporte wchar_t para plataformas que lo soportan:

PyObject* PyUnicode_FromWideChar(const wchar_t *w, Py_ssize_t size)
Return value: New reference.

Crea un objeto Unicode a partir del búfer wchar_t w del tamaño size dado. Pasar -1 como size indica que la función debe calcular la longitud, usando wcslen. Retorna NULL en caso de falla.

Py_ssize_t PyUnicode_AsWideChar(PyObject *unicode, wchar_t *w, Py_ssize_t size)

Copia el contenido del objeto Unicode en el búfer wchar_t w. A lo sumo size se copian los caracteres wchar_t (excluyendo un posible carácter de terminación nulo final). Retorna el número de caracteres wchar_t copiados o -1 en caso de error. Tenga en cuenta que la cadena resultante wchar_t* puede o no tener terminación nula. Es responsabilidad de la persona que llama asegurarse de que la cadena wchar_t* tenga una terminación nula en caso de que la aplicación lo requiera. Además, tenga en cuenta que la cadena wchar_t* podría contener caracteres nulos, lo que provocaría que la cadena se truncara cuando se usara con la mayoría de las funciones de C.

wchar_t* PyUnicode_AsWideCharString(PyObject *unicode, Py_ssize_t *size)

Convierte el objeto Unicode en una cadena de caracteres ancha. La cadena de salida siempre termina con un carácter nulo. Si size no es NULL, escribe el número de caracteres anchos (excluyendo el carácter de terminación nulo final) en *size. Tenga en cuenta que la cadena resultante wchar_t podría contener caracteres nulos, lo que provocaría que la cadena se truncara cuando se usara con la mayoría de las funciones de C. Si size es NULL y la cadena wchar_t* contiene caracteres nulos un ValueError aparece.

Retorna un búfer asignado por PyMem_Alloc() (utilice PyMem_Free() para liberarlo) en caso de éxito. En caso de error, retorna NULL y *size no está definido. Provoca un MemoryError si falla la asignación de memoria.

Nuevo en la versión 3.2.

Distinto en la versión 3.7: Provoca un ValueError si size es NULL y la cadena wchar_t* contiene caracteres nulos.

Códecs incorporados

Python proporciona un conjunto de códecs integrados que están escritos en C para mayor velocidad. Todos estos códecs se pueden usar directamente a través de las siguientes funciones.

Muchas de las siguientes API toman dos argumentos de encoding y errors, y tienen la misma semántica que las del constructor de objetos de cadena incorporado str().

Establecer la codificación en NULL hace que se use la codificación predeterminada, que es ASCII. Las llamadas al sistema de archivos deben usar PyUnicode_FSConverter() para codificar nombres de archivos. Esto utiliza la variable Py_FileSystemDefaultEncoding internamente. Esta variable debe tratarse como de solo lectura: en algunos sistemas, será un puntero a una cadena de caracteres estática, en otros, cambiará en tiempo de ejecución (como cuando la aplicación invoca setlocale).

El manejo de errores se establece mediante errors que también pueden establecerse en NULL, lo que significa usar el manejo predeterminado definido para el códec. El manejo de errores predeterminado para todos los códecs integrados es «estricto» (se lanza ValueError).

Todos los códecs usan una interfaz similar. Solo la desviación de las siguientes genéricas se documenta por simplicidad.

Códecs genéricos

Estas son las APIs de códecs genéricos:

PyObject* PyUnicode_Decode(const char *s, Py_ssize_t size, const char *encoding, const char *errors)
Return value: New reference.

Crea un objeto Unicode decodificando size bytes de la cadena codificada s. encoding y errors tienen el mismo significado que los parámetros del mismo nombre en la función incorporada str(). El códec que se utilizará se busca utilizando el registro de códec Python. Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_AsEncodedString(PyObject *unicode, const char *encoding, const char *errors)
Return value: New reference.

Codifica un objeto Unicode y retorna el resultado como un objeto de bytes de Python. encoding y errors tienen el mismo significado que los parámetros del mismo nombre en el método Unicode encode(). El códec que se utilizará se busca utilizando el registro de códec Python. Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_Encode(const Py_UNICODE *s, Py_ssize_t size, const char *encoding, const char *errors)
Return value: New reference.

Codifica el búfer Py_UNICODE s del tamaño size dado y retorna un objeto de bytes de Python. encoding y errors tienen el mismo significado que los parámetros del mismo nombre en el método Unicode encode(). El códec que se utilizará se busca utilizando el registro de códec Python. Retorna NULL si el códec provocó una excepción.

Deprecated since version 3.3, will be removed in version 3.11: Parte del viejo estilo de la API Py_UNICODE; por favor migrar para usar PyUnicode_AsEncodedString().

Códecs UTF-8

Estas son las APIs del códec UTF-8:

PyObject* PyUnicode_DecodeUTF8(const char *s, Py_ssize_t size, const char *errors)
Return value: New reference.

Crea un objeto Unicode decodificando size bytes de la cadena codificada UTF-8 s. Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_DecodeUTF8Stateful(const char *s, Py_ssize_t size, const char *errors, Py_ssize_t *consumed)
Return value: New reference.

Si consumed es NULL, se comporta como PyUnicode_DecodeUTF8(). Si consumed no es NULL, las secuencias de bytes UTF-8 incompletas no se tratarán como un error. Esos bytes no serán decodificados y la cantidad de bytes que han sido decodificados se almacenará en consumed.

PyObject* PyUnicode_AsUTF8String(PyObject *unicode)
Return value: New reference.

Codifica un objeto Unicode usando UTF-8 y retorna el resultado como un objeto de bytes de Python. El manejo de errores es «estricto». Retorna NULL si el códec provocó una excepción.

const char* PyUnicode_AsUTF8AndSize(PyObject *unicode, Py_ssize_t *size)

Retorna un puntero a la codificación UTF-8 del objeto Unicode y almacena el tamaño de la representación codificada (en bytes) en size. El argumento size puede ser NULL; en este caso no se almacenará el tamaño. El búfer retornado siempre tiene un byte nulo adicional agregado (no incluido en size), independientemente de si hay otros puntos de código nulo.

En caso de error, se retorna NULL con un conjunto de excepciones y no se almacena size.

Esto almacena en caché la representación UTF-8 de la cadena en el objeto Unicode, y las llamadas posteriores retornarán un puntero al mismo búfer. La persona que llama no es responsable de desasignar el búfer.

Nuevo en la versión 3.3.

Distinto en la versión 3.7: El tipo de retorno ahora es const char * en lugar de char *.

const char* PyUnicode_AsUTF8(PyObject *unicode)

Como PyUnicode_AsUTF8AndSize(), pero no almacena el tamaño.

Nuevo en la versión 3.3.

Distinto en la versión 3.7: El tipo de retorno ahora es const char * en lugar de char *.

PyObject* PyUnicode_EncodeUTF8(const Py_UNICODE *s, Py_ssize_t size, const char *errors)
Return value: New reference.

Codifica el búfer Py_UNICODE s del tamaño size dado usando UTF-8 y retorna un objeto de bytes de Python. Retorna NULL si el códec provocó una excepción.

Deprecated since version 3.3, will be removed in version 3.11: Parte del viejo estilo de la API Py_UNICODE; por favor migrar para usar PyUnicode_AsUTF8String(), PyUnicode_AsUTF8AndSize() o PyUnicode_AsEncodedString().

Códecs UTF-32

Estas son las APIs de códecs para UTF-32:

PyObject* PyUnicode_DecodeUTF32(const char *s, Py_ssize_t size, const char *errors, int *byteorder)
Return value: New reference.

Decodifica size bytes de una cadena de búfer codificada UTF-32 y retorna el objeto Unicode correspondiente. errors (si no es NULL) define el manejo de errores. Su valor predeterminado es «estricto».

Si byteorder no es NULL, el decodificador comienza a decodificar utilizando el orden de bytes dado:

*byteorder == -1: little endian
*byteorder == 0:  native order
*byteorder == 1:  big endian

Si *byteorder es cero, y los primeros cuatro bytes de los datos de entrada son una marca de orden de bytes (BOM), el decodificador cambia a este orden de bytes y la BOM no se copia en la cadena de caracteres Unicode resultante. Si *byteorder es -1 o 1, cualquier marca de orden de bytes se copia en la salida.

Una vez completado, *byteorder se establece en el orden de bytes actual al final de los datos de entrada.

Si byteorder es NULL, el códec se inicia en modo de orden nativo.

Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_DecodeUTF32Stateful(const char *s, Py_ssize_t size, const char *errors, int *byteorder, Py_ssize_t *consumed)
Return value: New reference.

Si consumed es NULL, se comporta como PyUnicode_DecodeUTF32(). Si consumed no es NULL, PyUnicode_DecodeUTF32Stateful() no tratará las secuencias de bytes UTF-32 incompletas finales (como un número de bytes no divisible por cuatro) como un error. Esos bytes no serán decodificados y la cantidad de bytes que han sido decodificados se almacenará en consumed.

PyObject* PyUnicode_AsUTF32String(PyObject *unicode)
Return value: New reference.

Retorna una cadena de bytes de Python usando la codificación UTF-32 en orden de bytes nativo. La cadena siempre comienza con una marca BOM. El manejo de errores es «estricto». Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_EncodeUTF32(const Py_UNICODE *s, Py_ssize_t size, const char *errors, int byteorder)
Return value: New reference.

Retorna un objeto de bytes de Python que contiene el valor codificado UTF-32 de los datos Unicode en s. La salida se escribe de acuerdo con el siguiente orden de bytes:

byteorder == -1: little endian
byteorder == 0:  native byte order (writes a BOM mark)
byteorder == 1:  big endian

Si byteorder es 0, la cadena de caracteres de salida siempre comenzará con la marca Unicode BOM (U+FEFF). En los otros dos modos, no se antepone ninguna marca BOM.

Si Py_UNICODE_WIDE no está definido, los pares sustitutos se mostrarán como un único punto de código.

Retorna NULL si el códec provocó una excepción.

Deprecated since version 3.3, will be removed in version 3.11: Parte del viejo estilo de la API Py_UNICODE; por favor migrar para usar PyUnicode_AsUTF32String(). o PyUnicode_AsEncodedString().

Códecs UTF-16

Estas son las APIs de códecs para UTF-16:

PyObject* PyUnicode_DecodeUTF16(const char *s, Py_ssize_t size, const char *errors, int *byteorder)
Return value: New reference.

Decodifica size bytes de una cadena de caracteres de búfer codificada UTF-16 y retorna el objeto Unicode correspondiente. errors (si no es NULL) define el manejo de errores. Su valor predeterminado es «estricto».

Si byteorder no es NULL, el decodificador comienza a decodificar utilizando el orden de bytes dado:

*byteorder == -1: little endian
*byteorder == 0:  native order
*byteorder == 1:  big endian

Si *byteorder es cero, y los primeros dos bytes de los datos de entrada son una marca de orden de bytes (BOM), el decodificador cambia a este orden de bytes y la BOM no se copia en la cadena de caracteres Unicode resultante. Si *byteorder es -1 o 1, cualquier marca de orden de bytes se copia en la salida (donde dará como resultado un \ufeff o un carácter \ufffe).

Una vez completado, *byteorder se establece en el orden de bytes actual al final de los datos de entrada.

Si byteorder es NULL, el códec se inicia en modo de orden nativo.

Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_DecodeUTF16Stateful(const char *s, Py_ssize_t size, const char *errors, int *byteorder, Py_ssize_t *consumed)
Return value: New reference.

Si consumed es NULL, se comporta como PyUnicode_DecodeUTF16(). Si consumed no es NULL, PyUnicode_DecodeUTF16Stateful() no tratará las secuencias de bytes UTF-16 incompletas finales (como un número impar de bytes o un par sustituto dividido) como un error. Esos bytes no serán decodificados y la cantidad de bytes que han sido decodificados se almacenará en consumed.

PyObject* PyUnicode_AsUTF16String(PyObject *unicode)
Return value: New reference.

Retorna una cadena de bytes de Python usando la codificación UTF-16 en orden de bytes nativo. La cadena siempre comienza con una marca BOM. El manejo de errores es «estricto». Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_EncodeUTF16(const Py_UNICODE *s, Py_ssize_t size, const char *errors, int byteorder)
Return value: New reference.

Retorna un objeto de bytes de Python que contiene el valor codificado UTF-16 de los datos Unicode en s. La salida se escribe de acuerdo con el siguiente orden de bytes:

byteorder == -1: little endian
byteorder == 0:  native byte order (writes a BOM mark)
byteorder == 1:  big endian

Si byteorder es 0, la cadena de caracteres de salida siempre comenzará con la marca Unicode BOM (U+FEFF). En los otros dos modos, no se antepone ninguna marca BOM.

Si se define Py_UNICODE_WIDE, un solo valor de Py_UNICODE puede representarse como un par sustituto. Si no está definido, cada uno de los valores Py_UNICODE se interpreta como un carácter UCS-2.

Retorna NULL si el códec provocó una excepción.

Deprecated since version 3.3, will be removed in version 3.11: Parte del viejo estilo de la API Py_UNICODE; por favor migrar para usar PyUnicode_AsUTF16String(). o PyUnicode_AsEncodedString().

Códecs UTF-7

Estas son las APIs del códec UTF-7:

PyObject* PyUnicode_DecodeUTF7(const char *s, Py_ssize_t size, const char *errors)
Return value: New reference.

Crea un objeto Unicode decodificando size bytes de la cadena de caracteres codificada UTF-7 s. Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_DecodeUTF7Stateful(const char *s, Py_ssize_t size, const char *errors, Py_ssize_t *consumed)
Return value: New reference.

Si consumed es NULL, se comporta como PyUnicode_DecodeUTF7(). Si consumed no es NULL, las secciones UTF-7 base-64 incompletas no se tratarán como un error. Esos bytes no serán decodificados y la cantidad de bytes que han sido decodificados se almacenará en consumed.

PyObject* PyUnicode_EncodeUTF7(const Py_UNICODE *s, Py_ssize_t size, int base64SetO, int base64WhiteSpace, const char *errors)
Return value: New reference.

Codifica el búfer Py_UNICODE del tamaño dado usando UTF-7 y retorna un objeto de bytes de Python. Retorna NULL si el códec provocó una excepción.

Si base64SetO no es cero, «Set O» (puntuación que no tiene un significado especial) se codificará en base-64. Si base64WhiteSpace no es cero, el espacio en blanco se codificará en base-64. Ambos se establecen en cero para el códec Python «utf-7».

Deprecated since version 3.3, will be removed in version 3.11: Parte del viejo estilo de la API Py_UNICODE; por favor migrar para usar PyUnicode_AsEncodedString().

Códecs Unicode escapado

Estas son las APIs de códecs para Unicode escapado:

PyObject* PyUnicode_DecodeUnicodeEscape(const char *s, Py_ssize_t size, const char *errors)
Return value: New reference.

Crea un objeto Unicode decodificando size bytes de la cadena codificada Unicode escapada (Unicode-Escape) s. Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_AsUnicodeEscapeString(PyObject *unicode)
Return value: New reference.

Codifica un objeto Unicode usando Unicode escapado (Unicode-Escape) y retorna el resultado como un objeto de bytes. El manejo de errores es «estricto». Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_EncodeUnicodeEscape(const Py_UNICODE *s, Py_ssize_t size)
Return value: New reference.

Codifica el búfer Py_UNICODE del tamaño size dado utilizando Unicode escapado y retorna un objeto de bytes. Retorna NULL si el códec provocó una excepción.

Deprecated since version 3.3, will be removed in version 3.11: Parte del viejo estilo de la API Py_UNICODE; por favor migrar para usar PyUnicode_AsUnicodeEscapeString().

Códecs para Unicode escapado en bruto

Estas son las API del códec Unicode escapado en bruto (Raw Unicode Escape):

PyObject* PyUnicode_DecodeRawUnicodeEscape(const char *s, Py_ssize_t size, const char *errors)
Return value: New reference.

Crea un objeto Unicode decodificando size bytes de la cadena de caracteres codificada Unicode escapada en bruto (Raw-Unicode-Escape) s. Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_AsRawUnicodeEscapeString(PyObject *unicode)
Return value: New reference.

Codifica un objeto Unicode usando Unicode escapado en bruto (Raw-Unicode-Escape) y retorna el resultado como un objeto de bytes. El manejo de errores es «estricto». Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_EncodeRawUnicodeEscape(const Py_UNICODE *s, Py_ssize_t size)
Return value: New reference.

Codifica el búfer Py_UNICODE del tamaño size dado usando Unicode escapado en bruto (Raw-Unicode-Escape) y retorna un objeto de bytes. Retorna NULL si el códec provocó una excepción.

Deprecated since version 3.3, will be removed in version 3.11: Parte del viejo estilo de la API Py_UNICODE; por favor migrar para usar PyUnicode_AsRawUnicodeEscapeString() o PyUnicode_AsEncodedString().

Códecs Latin-1

Estas son las API del códec Latin-1: Latin-1 corresponde a los primeros 256 ordinales Unicode y solo estos son aceptados por los códecs durante la codificación.

PyObject* PyUnicode_DecodeLatin1(const char *s, Py_ssize_t size, const char *errors)
Return value: New reference.

Crea un objeto Unicode decodificando size bytes de la cadena de caracteres codificada en latin-1 s. Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_AsLatin1String(PyObject *unicode)
Return value: New reference.

Codifica un objeto Unicode usando Latin-1 y retorna el resultado como un objeto de bytes Python. El manejo de errores es «estricto». Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_EncodeLatin1(const Py_UNICODE *s, Py_ssize_t size, const char *errors)
Return value: New reference.

Codifica el búfer Py_UNICODE del tamaño size dado usando Latin-1 y retorna un objeto de bytes de Python. Retorna NULL si el códec provocó una excepción.

Deprecated since version 3.3, will be removed in version 3.11: Parte del viejo estilo de la API Py_UNICODE; por favor migrar para usar PyUnicode_AsLatin1String() o PyUnicode_AsEncodedString().

Códecs ASCII

Estas son las API del códec ASCII. Solo se aceptan datos ASCII de 7 bits. Todos los demás códigos generan errores.

PyObject* PyUnicode_DecodeASCII(const char *s, Py_ssize_t size, const char *errors)
Return value: New reference.

Crea un objeto Unicode decodificando size bytes de la cadena de caracteres codificada ASCII s. Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_AsASCIIString(PyObject *unicode)
Return value: New reference.

Codifica un objeto Unicode usando ASCII y retorna el resultado como un objeto de bytes de Python. El manejo de errores es «estricto». Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_EncodeASCII(const Py_UNICODE *s, Py_ssize_t size, const char *errors)
Return value: New reference.

Codifica el búfer Py_UNICODE del tamaño size dado utilizando ASCII y retorna un objeto de bytes de Python. Retorna NULL si el códec provocó una excepción.

Deprecated since version 3.3, will be removed in version 3.11: Parte del viejo estilo de la API Py_UNICODE; por favor migrar para usar PyUnicode_AsASCIIString() o PyUnicode_AsEncodedString().

Códecs de mapa de caracteres

Este códec es especial porque puede usarse para implementar muchos códecs diferentes (y esto es lo que se hizo para obtener la mayoría de los códecs estándar incluidos en el paquete encodings). El códec utiliza mapeo para codificar y decodificar caracteres. Los objetos de mapeo provistos deben soportar la interfaz de mapeo __getitem__(); Los diccionarios y las secuencias funcionan bien.

Estos son las API de códec de mapeo:

PyObject* PyUnicode_DecodeCharmap(const char *data, Py_ssize_t size, PyObject *mapping, const char *errors)
Return value: New reference.

Crea un objeto Unicode decodificando size bytes de la cadena de caracteres codificada s usando el objeto mapping dado. Retorna NULL si el códec provocó una excepción.

Si mapping es NULL, se aplicará la decodificación Latin-1. De lo contrario, mapping debe asignar bytes ordinales (enteros en el rango de 0 a 255) a cadenas de caracteres Unicode, enteros (que luego se interpretan como ordinales Unicode) o None. Los bytes de datos sin asignar - los que causan un LookupError, así como los que se asignan a None, 0xFFFE o '\ ufffe', se tratan como asignaciones indefinidas y causan un error

PyObject* PyUnicode_AsCharmapString(PyObject *unicode, PyObject *mapping)
Return value: New reference.

Codifica un objeto Unicode usando el objeto mapping dado y retorna el resultado como un objeto de bytes. El manejo de errores es «estricto». Retorna NULL si el códec provocó una excepción.

El objeto mapping debe asignar enteros ordinales Unicode a objetos de bytes, enteros en el rango de 0 a 255 o None. Los ordinales de caracteres no asignados (los que causan un LookupError), así como los asignados a Ninguno, se tratan como «mapeo indefinido» y causan un error.

PyObject* PyUnicode_EncodeCharmap(const Py_UNICODE *s, Py_ssize_t size, PyObject *mapping, const char *errors)
Return value: New reference.

Codifica el búfer Py_UNICODE del tamaño size dado utilizando el objeto mapping dado y retorna el resultado como un objeto de bytes. Retorna NULL si el códec provocó una excepción.

Deprecated since version 3.3, will be removed in version 3.11: Parte del viejo estilo de la API Py_UNICODE; por favor migrar para usar PyUnicode_AsCharmapString() o PyUnicode_AsEncodedString().

La siguiente API de códec es especial en que asigna Unicode a Unicode.

PyObject* PyUnicode_Translate(PyObject *str, PyObject *table, const char *errors)
Return value: New reference.

Translate a string by applying a character mapping table to it and return the resulting Unicode object. Return NULL if an exception was raised by the codec.

La tabla de mapeo debe mapear enteros ordinales Unicode a enteros ordinales Unicode o None (causando la eliminación del carácter).

Las tablas de mapeo solo necesitan proporcionar la interfaz __getitem__(); Los diccionarios y las secuencias funcionan bien. Los ordinales de caracteres no asignados (los que causan un LookupError) se dejan intactos y se copian tal cual.

errors tiene el significado habitual para los códecs. Puede ser NULL, lo que indica que debe usar el manejo de errores predeterminado.

PyObject* PyUnicode_TranslateCharmap(const Py_UNICODE *s, Py_ssize_t size, PyObject *mapping, const char *errors)
Return value: New reference.

Traduce un búfer Py_UNICODE del tamaño size dado al aplicarle una tabla de mapping de caracteres y retornar el objeto Unicode resultante. Retorna NULL cuando el códec provocó una excepción.

Deprecated since version 3.3, will be removed in version 3.11: Parte del viejo estilo de la API Py_UNICODE; por favor migrar para usar PyUnicode_Translate(). o generic codec based API

Códecs MBCS para Windows

Estas son las API de códec MBCS. Actualmente solo están disponibles en Windows y utilizan los convertidores Win32 MBCS para implementar las conversiones. Tenga en cuenta que MBCS (o DBCS) es una clase de codificaciones, no solo una. La codificación de destino está definida por la configuración del usuario en la máquina que ejecuta el códec.

PyObject* PyUnicode_DecodeMBCS(const char *s, Py_ssize_t size, const char *errors)
Return value: New reference.

Crea un objeto Unicode decodificando size bytes de la cadena de caracteres codificada con MBCS s. Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_DecodeMBCSStateful(const char *s, Py_ssize_t size, const char *errors, Py_ssize_t *consumed)
Return value: New reference.

Si consumed es NULL, se comporta como PyUnicode_DecodeMBCS(). Si consumed no es NULL, PyUnicode_DecodeMBCSStateful() no decodificará el byte inicial y el número de bytes que se han decodificado se almacenará en consumed.

PyObject* PyUnicode_AsMBCSString(PyObject *unicode)
Return value: New reference.

Codifica un objeto Unicode usando MBCS y retorna el resultado como un objeto de bytes de Python. El manejo de errores es «estricto». Retorna NULL si el códec provocó una excepción.

PyObject* PyUnicode_EncodeCodePage(int code_page, PyObject *unicode, const char *errors)
Return value: New reference.

Codifica el objeto Unicode utilizando la página de códigos especificada y retorna un objeto de bytes de Python. Retorna NULL si el códec provocó una excepción. Use la página de códigos CP_ACP para obtener el codificador MBCS.

Nuevo en la versión 3.3.

PyObject* PyUnicode_EncodeMBCS(const Py_UNICODE *s, Py_ssize_t size, const char *errors)
Return value: New reference.

Codifica el búfer Py_UNICODE del tamaño size dado usando MBCS y retorna un objeto de bytes de Python. Retorna NULL si el códec provocó una excepción.

Deprecated since version 3.3, will be removed in version 4.0: Parte del viejo estilo Py_UNICODE de la API; por favor migrar a PyUnicode_AsMBCSString(), PyUnicode_EncodeCodePage() o PyUnicode_AsEncodedString().

Métodos & Ranuras (Slots)

Métodos y funciones de ranura (Slot)

Las siguientes API son capaces de manejar objetos Unicode y cadenas de caracteres en la entrada (nos referimos a ellos como cadenas de caracteres en las descripciones) y retorna objetos Unicode o enteros según corresponda.

Todos retornan NULL o -1 si ocurre una excepción.

PyObject* PyUnicode_Concat(PyObject *left, PyObject *right)
Return value: New reference.

Une dos cadenas de caracteres que dan una nueva cadena de caracteres Unicode.

PyObject* PyUnicode_Split(PyObject *s, PyObject *sep, Py_ssize_t maxsplit)
Return value: New reference.

Divide una cadena de caracteres dando una lista de cadenas de caracteres Unicode. Si sep es NULL, la división se realizará en todas las subcadenas de espacios en blanco. De lo contrario, las divisiones ocurren en el separador dado. A lo sumo se realizarán maxsplit divisiones. Si es negativo, no se establece ningún límite. Los separadores no están incluidos en la lista resultante.

PyObject* PyUnicode_Splitlines(PyObject *s, int keepend)
Return value: New reference.

Divide una cadena de caracteres Unicode en los saltos de línea, retornando una lista de cadenas de caracteres Unicode. CRLF se considera un salto de línea. Si keepend es 0, los caracteres de salto de línea no se incluyen en las cadenas de caracteres resultantes.

PyObject* PyUnicode_Join(PyObject *separator, PyObject *seq)
Return value: New reference.

Une una secuencia de cadenas de caracteres usando el separator dado y retorna la cadena de caracteres Unicode resultante.

Py_ssize_t PyUnicode_Tailmatch(PyObject *str, PyObject *substr, Py_ssize_t start, Py_ssize_t end, int direction)

Retorna 1 si substr coincide con str[start:end] en el final de cola dado (direction == -1 significa hacer una coincidencia de prefijo, direction == 1 una coincidencia de sufijo), 0 de lo contrario. retorne -1 si ocurrió un error.

Py_ssize_t PyUnicode_Find(PyObject *str, PyObject *substr, Py_ssize_t start, Py_ssize_t end, int direction)

Retorna la primera posición de substr en str[start:end] usando la direction dada (direction == 1 significa hacer una búsqueda hacia adelante, direction == -1 una búsqueda hacia atrás). El valor de retorno es el índice de la primera coincidencia; un valor de -1 indica que no se encontró ninguna coincidencia, y -2 indica que se produjo un error y se ha establecido una excepción.

Py_ssize_t PyUnicode_FindChar(PyObject *str, Py_UCS4 ch, Py_ssize_t start, Py_ssize_t end, int direction)

Retorna la primera posición del carácter ch en str[inicio:fin] usando la direction dada (direction == 1 significa hacer una búsqueda hacia adelante, direction == -1 una búsqueda hacia atrás). El valor de retorno es el índice de la primera coincidencia; un valor de -1 indica que no se encontró ninguna coincidencia, y -2 indica que se produjo un error y se ha establecido una excepción.

Nuevo en la versión 3.3.

Distinto en la versión 3.7: start y end ahora están ajustados para comportarse como str[start:end].

Py_ssize_t PyUnicode_Count(PyObject *str, PyObject *substr, Py_ssize_t start, Py_ssize_t end)

Retorna el número de ocurrencias no superpuestas de substr en str[start:end]. Retorna -1 si ocurrió un error.

PyObject* PyUnicode_Replace(PyObject *str, PyObject *substr, PyObject *replstr, Py_ssize_t maxcount)
Return value: New reference.

Reemplaza como máximo maxcount ocurrencias de substr en str con replstr y retorna el objeto Unicode resultante. maxcount == -1 significa reemplazar todas las ocurrencias.

int PyUnicode_Compare(PyObject *left, PyObject *right)

Compara dos cadenas de caracteres y retorna -1, 0, 1 para menor que, igual y mayor que, respectivamente.

Esta función retorna -1 en caso de falla, por lo que se debe llamar a PyErr_Occurred() para verificar si hay errores.

int PyUnicode_CompareWithASCIIString(PyObject *uni, const char *string)

Compare un objeto Unicode, uni, con string y retorna -1, 0, 1 para menor que, igual y mayor que, respectivamente. Es mejor pasar solo cadenas de caracteres codificadas en ASCII, pero la función interpreta la cadena de entrada como ISO-8859-1 si contiene caracteres no ASCII.

Esta función no genera excepciones.

PyObject* PyUnicode_RichCompare(PyObject *left, PyObject *right, int op)
Return value: New reference.

Comparación enriquecida de dos cadenas de caracteres Unicode y retorna uno de los siguientes:

  • NULL en caso de que se produzca una excepción

  • Py_True o Py_False para comparaciones exitosas

  • Py_NotImplemented en caso que se desconozca la combinación de tipos.

Los posibles valores para op son Py_GT, Py_GE, Py_EQ, Py_NE, Py_LT, y Py_LE.

PyObject* PyUnicode_Format(PyObject *format, PyObject *args)
Return value: New reference.

Retorna un nuevo objeto de cadena de caracteres desde format y args; esto es análogo al format % args.

int PyUnicode_Contains(PyObject *container, PyObject *element)

Comprueba si element está contenido en container y retorna verdadero o falso en consecuencia.

element tiene que convertir a una cadena de caracteres Unicode. Se retorna -1 si hubo un error.

void PyUnicode_InternInPlace(PyObject **string)

Interna el argumento *string en su lugar. El argumento debe ser la dirección de una variable de puntero que apunta a un objeto Unicode de cadena de caracteres Python. Si hay una cadena de caracteres interna existente que es igual a *string, establece *string (disminuyendo el recuento de referencias del objeto de cadena de caracteres anterior e incrementando el recuento de referencias del objeto de cadena de caracteres interna), de lo contrario deja solo *string y lo interna (incrementando su recuento de referencias). (Aclaración: a pesar de que se habla mucho sobre el recuento de referencias, piense en esta función como neutral de recuento de referencia; usted es el propietario del objeto después de la llamada si y solo si lo tenía antes de la llamada).

PyObject* PyUnicode_InternFromString(const char *v)
Return value: New reference.

Una combinación de PyUnicode_FromString() y PyUnicode_InternInPlace(), que retorna un nuevo objeto de cadena de caracteres Unicode que ha sido creado internamente o una nueva referencia(«propia») a un objeto de cadena de caracteres interno anterior con el mismo valor