Skip to main content

A linha de declaração de encoding

#encoding: utf-8

permite que o parser do Python possa entender os acentos no código fonte - ou seja, colocar qualquer caractere acentuado deixa de ser um "erro de sintaxe" em Python 2. Outras codificações, usadas por padrão no Windows, são mais limitadas que o utf-8, no sentido de permitirem apenas 256 caracteres distintos - então é importante colocar essa linha e configurar seu editor para usar utf-8.

Mas isso não é o suficiente para usar acentuação à vontade num programa de Python 2.x. Uma mudança grande que foi implementada no meio dos anos 2000, e que muita gente ainda não se deu conta, é que dados de TEXTO no Python 2 têm que ser do tipo "unicode", não do tipo "str". No Python3, o tipo "str" já tem uma representação interna em Unicode.

A maior diferença entre os dois é que para uma string de bytes (a str simples de Python2) um elemento da sequência corresponde a um byte. Quando se fala de texto (tipo unicode) um elemento da sequência corresponde sempre há um caractere.

Faça o seguinte experimento - (pode ser no terminal, se ele estiver configurado para utf-8):

>>> a = "maçã"
>>> for letra in a: print letra,
... 
m a � � � �
>>> a = u"maçã"
>>> for letra in a: print letra,
... 
m a ç ã
>>> 

O que acontece é que a codificação padrão do Windows em português ("latin1") usa semrpe um byte por caractere, e então não se percebe isso - mas você vai ter um problema se tentar passar uma string acentuada para maiúsculas, mesmo com esse tipo de codificação. Por exemplo:

>>> a=  "maçã".upper()
>>> print a
MAçã
>>> a= u"maçã".upper()
>>> print a
MAÇÃ
>>> 

A recomendação é entender bem o que é Unicode e o que são as codificações no artigo http://local.joelonsoftware.com/wiki/O_M%C3%ADnimo_Absoluto_Que_Todos_os_Programadores_de_Software_Precisam,_Absolutamente,_Positivamente_de_Saber_Sobre_Unicode_e_Conjuntos_de_Caracteres_%28Sem_Desculpas!%29 , usar sempre utf-8 nos programas, e - sempre usar a técnica que chamaos de "o sanduiche unicode":

Ao ler texto de alguma fonte externa do seu programa - seja um arquivo, entrada do usuário, banco de dados, sensor, ele vai estar em bytes, e com alguma codificação

  • você decodifica esse texto para unicode (com o método "decode")
  • trabalha com o texto no seu programa em Python
  • codifica de volta no encoding usado pela saída de dados (terminal, arquivo, banco de dados, impressora, etc...) com o método "encode".

Python 3 e algumas das bibliotecas - mesmo as usadas em Python2, já fazem o passo de codificação/decodifciação de forma transparente para você. Mas mesmo assim é vital entender o que está acontecendo.

jsbueno
  • 31,5mil
  • 1
  • 51
  • 70