UTF-8与upper()

Question

我想用一些内置的函数，比如 upper() 和 capitalize()，来处理 UTF-8 字符串。

举个例子：

>>> mystring = "işğüı"
>>> print mystring.upper()
Işğüı  # should be İŞĞÜI instead.

我该怎么解决这个问题呢？

Answer 1

其实，作为一个通用的策略，最好是在内存中始终保持你的文本为Unicode格式：在输入的时候就解码，只有在你需要输出的时候才编码，如果在输入和输出时有特定的编码要求。

即使你不打算采用这个通用策略（其实你应该这么做！），要完成你需要的任务，唯一正确的方法还是先解码、处理，然后再编码——绝不要直接在编码后的形式上操作。也就是说：

mystring = "işğüı"
print mystring.decode('utf-8').upper().encode('utf-8')

假设你在赋值和输出时都只能使用编码后的字符串。（输出的限制是比较现实的，但赋值的限制就不太合理——你可以直接用 mystring = u"işğüı"，从一开始就用Unicode，这样就能省去至少一次 .decode 的调用！）

Answer 2

不要直接对编码过的字符串进行操作；首先要把它解码成 unicode 格式。

>>> mystring = "işğüı"
>>> print mystring.decode('utf-8').upper()
IŞĞÜI