unicode day 10 - 2/4/15 span 4350 cultura computacional en español harry howard tulane university
TRANSCRIPT
UNICODEDay 10 - 2/4/15SPAN 4350
Cultura computacional en español
Harry Howard
Tulane University
Organización del curso
4-feb-2015CultCompES, Prof. Howard, Tulane University
2
http://www.tulane.edu/~howard/Span4350/
http://www.tulane.edu/~howard/CompCultES/
La prueba es el resumen.
Repaso
4-feb-2015
3
CultCompES, Prof. Howard, Tulane University
§6. Las expressions regulares
4-feb-2015
4
CultCompES, Prof. Howard, Tulane University
Un ejemplo
1. >>> C = 'cañón'2. >>> len(C)3. 74. >>> C5. 'ca\xf1\xf3n' 6. 'ca\xc3\xb1\xc3\xb3n'7. >>> import sys8. >>> sys.getdefaultencoding()9. 'ascii'
4-feb-2015CultCompES, Prof. Howard, Tulane University
5
¿Qué es ASCII?
http://en.wikipedia.org/wiki/ASCII The American Standard Code for Information
Interchange (ASCII, pronunciation: /ˈæski/ ass-kee;) is a character-encoding scheme originally based on the English alphabet. ASCII codes represent text in computers, communications equipment, and other devices that use text.
Most modern character-encoding schemes are based on ASCII, though they support many additional characters.
4-feb-2015CultCompES, Prof. Howard, Tulane University
6
Un cuadro de ASCII
4-feb-2015CultCompES, Prof. Howard, Tulane University
7
Arte de ASCII
4-feb-2015
CultCompES, Prof.
Howard, Tulane
University
8
4-feb-2015CultCompES, Prof. Howard, Tulane University
9
Presentación
Para el inglés, el ASCII es suficiente. Para toda lengua que tenga una letra 'rara', hay
que utilizar Unicode. Unicode tiene un millón de caracteres. Un fichero de texto tiene una codificación
determinada, así que necesitamos algún mecanismo para traducirla a Unicode. La traducción a Unicode se llama decodificación.
Por el contrario, para escribir Unicode a un fichero o una terminal, primero tenemos que traducirlo a una codificación adecuada Esta traducción de Unicode se llama codificación.
4-feb-2015CultCompES, Prof. Howard, Tulane University
10
Decodificación y codificación de UnicodeFig. 3.3
La decodificación y la codificación>>> C.decode('utf8')u'ca\xf1\xf3n'>>> len(u'ca\xf1\xf3n')5>>> print u'ca\xf1\xf3n'cañón>>> u'ca\xf1\xf3n'.encode('utf8')'ca\xc3\xb1\xc3\xb3n'>>> len('ca\xc3\xb1\xc3\xb3n')7>>> print 'ca\xc3\xb1\xc3\xb3n'cañón
4-feb-2015CultCompES, Prof. Howard, Tulane University
11
Re y Unicode
1. from re import findall, UNICODE
2. >>> findall(r'[a-z]+', C)
3. ['ca', 'n']
4. >>> findall(r'\w+', C)
5. ['ca', 'n']
6. >>> findall(r'\w+', C.decode('utf8'))
7. [u'ca', u'n']
8. >>> findall(r'\w+', C.decode('utf8'), UNICODE)
9. [u'ca\xf1\xf3n']
10. >>> findall(r'[a-z]+', C.decode('utf8'), UNICODE)
11. [u'ca', u'n']
4-feb-2015CultCompES, Prof. Howard, Tulane University
12
Las listas
El próximo día
4-feb-2015CultCompES, Prof. Howard, Tulane University
13