Python 2.7で作業しているときに、のunicode代わりにタイプを使用することにはどのような真の利点があるのだろうと思いstrます。どちらもUnicode文字列を保持できるようです。unicodeエスケープ文字を使用して文字列にUnicodeコードを設定できること以外に、特別な理由はあります\か？
以下を使用してモジュールを実行する：
# -*- coding: utf-8 -*-
a = 'á'
ua = u'á'
print a, ua
結果：á、á
編集：
Pythonシェルを使用したテスト：
>>> a = 'á'
>>> a
'\xc3\xa1'
>>> ua = u'á'
>>> ua
u'\xe1'
>>> ua.encode('utf8')
'\xc3\xa1'
>>> ua.encode('latin1')
'\xe1'
>>> ua
u'\xe1'
したがって、unicode文字列はのlatin1代わりにutf-8を使用してエンコードされているようで、生の文字列はutf-8？私は今さらに混乱しています！：S
回答:
unicodeテキストを処理するためのものです。テキストは一連のコードポイントであり、1バイトより大きい場合があります。テキストをすることができる符号化された生のバイトとしてテキストを表現するために、特定の符号化（例えばutf-8、latin-1...）。
unicode エンコードされていないことに注意してください！Pythonで使用される内部表現は実装の詳細であり、必要なコードポイントを表現できる限り、気にする必要はありません。
反対strにPython 2では、単純なバイトシーケンスです。テキストを表すものではありません！
unicodeいくつかのテキストの一般的な表現と考えることができます。これは、を介して表される一連のバイナリデータにさまざまな方法でエンコードできますstr。
注：Python 3では、unicodeに名前が変更され、単純なバイトシーケンス用のstr新しいbytesタイプがあります。
あなたが見ることができるいくつかの違い：
>>> len(u'à') # a single code point
1
>>> len('à') # by default utf-8 -> takes two bytes
2
>>> len(u'à'.encode('utf-8'))
2
>>> len(u'à'.encode('latin1')) # in latin1 it takes one byte
1
>>> print u'à'.encode('utf-8') # terminal encoding is utf-8
à
>>> print u'à'.encode('latin1') # it cannot understand the latin1 byte
�
を使用strすると、特定のエンコーディング表現の1バイトを下位レベルで制御unicodeできますが、使用するとコードポイントレベルでしか制御できないことに注意してください。たとえば、次のことができます。
>>> 'àèìòù'
'\xc3\xa0\xc3\xa8\xc3\xac\xc3\xb2\xc3\xb9'
>>> print 'àèìòù'.replace('\xa8', '')
à�ìòù
以前は有効なUTF-8でしたが、もうありません。Unicode文字列を使用すると、結果の文字列が有効なUnicodeテキストではない方法で操作することはできません。コードポイントを削除したり、コードポイントを別のコードポイントに置き換えたりできますが、内部表現を変更することはできません。
unicodeオブジェクトをシリアル化する場合、どのオブジェクトencode()が内部でunicode値を表すために使用されているのかわからないため、まずオブジェクトを適切なエンコード形式に明示的に指定する必要があると思います。
unicodeます。
unicodeエンコードされていないステートメントは明らかに間違っています。UTF-16 / UCS-2およびUTF-32 / UCS-4もエンコーディングです。将来的にはさらに多くのものが作成される可能性があります。重要なのは、実装の詳細を気にする必要がない（実際、気にする必要がない！）からといって、それunicodeがエンコードされていないという意味ではありません。もちろんです。それができるかどうか.decode()はまったく別の話です。
unicodeオブジェクトの内部表現は、非標準のものを含め、それが望むものにすることができます。特にpython3 + unicode では、含まれているデータに応じて変化する非標準の内部表現を使用します。そのため、標準のエンコーディングではありません。テキスト標準としてのUnicodeは、テキストの抽象的な表現であるコードポイントのみを定義します。標準のutf-Xなどを含め、メモリにユニコードをエンコードする方法はたくさんあります。Pythonは効率のために独自の方法を使用します。
unicodeありません。アドホック表現を使用しており、データを実際のバイトにエンコードする場合は、を使用する必要がありますencode。また、言語unicodeは実装方法を義務付けていないため、Pythonのバージョンや実装が異なると、内部表現も異なる可能性があります。
Unicodeとエンコーディングは完全に異なり、無関係です。
各文字に数値IDを割り当てます。
したがって、Unicodeは0x41をAに、0xE1をáに、0x414をДに割り当てます。
小さな矢印→私が使用したものにもUnicode番号があり、0x2192です。絵文字にもUnicode番号があり、😂は0x1F602です。
この表のすべての文字のUnicode番号を検索できます。特に、あなたは上記の最初の3つの文字を見つけることができ、ここに、矢印ここでは、絵文字ここに。
Unicodeによってすべての文字に割り当てられるこれらの番号は、コードポイントと呼ばれます。
これらすべての目的は、各文字を明確に参照する手段を提供することです。たとえば、私がaboutについて話している場合、「ご存知のように、涙を浮かべて笑うこの絵文字」ではなく、Unicodeコードポイント0x1F602と言えます。より簡単ですよね？
Unicodeコードポイントは通常、先頭U+にを付けてフォーマットされ、次に16進数の数値が少なくとも4桁に埋め込まれます。したがって、上記の例はU + 0041、U + 00E1、U + 0414、U + 2192、U + 1F602になります。
Unicodeコードポイントの範囲はU + 0000からU + 10FFFFです。それは1,114,112個の数字です。これらの数のうち2048はサロゲートに使用されるため、1,112,064が残ります。つまり、Unicodeは1,112,064の異なる文字に一意のID（コードポイント）を割り当てることができます。これらのコードポイントのすべてがまだ文字に割り当てられているわけではなく、Unicodeは継続的に拡張されます（たとえば、新しい絵文字が導入されたとき）。
覚えておくべき重要なことは、すべてのUnicodeが、コードポイントと呼ばれる数値IDを各文字に割り当てて、簡単で明確な参照ができることです。
文字をビットパターンにマップします。
これらのビットパターンは、コンピュータメモリまたはディスク上の文字を表すために使用されます。
文字の異なるサブセットをカバーする多くの異なるエンコーディングがあります。英語圏では、最も一般的なエンコーディングは次のとおりです。
128文字（コードポイントU + 0000〜U + 007F）を長さ7のビットパターンにマップします。
例：
191文字（コードポイントU + 0020からU + 007EおよびU + 00A0からU + 00FF）を長さ8のビットパターンにマップします。
例：
1,112,064文字（既存のすべてのUnicodeコードポイント）を長さ8、16、24、または32ビット（つまり、1、2、3、または4バイト）のビットパターンにマップします。
例：
UTF-8が文字をビット文字列にエンコードする方法は、ここで非常によく説明されています。
上記の例を見ると、Unicodeがどのように役立つかが明らかになります。
たとえば、私がLatin-1であり、自分のáのエンコーディングを説明したい場合は、言う必要はありません。
「aをaiguでエンコードします（または、立ち上がりバーと呼んでいます）を11100001としてエンコードします
しかし、私はただ言うことができます：
「U + 00E1を11100001としてエンコードします
そして、私がUTF-8なら、私は言うことができます：
「次に、U + 00E1を11000011 10100001としてエンコードします。
そして、私たちがどのキャラクターを意味するかは、誰にとっても明白です。
場合によっては、エンコードのビットパターンを2進数として解釈すると、この文字のUnicodeコードポイントと同じになることがあります。
例えば：
もちろん、これは便宜上、このように配置されています。しかし、あなたはそれを純粋な偶然と見なすべきです。メモリ内の文字を表すために使用されるビットパターンは、この文字のUnicodeコードポイントに関連付けられていません。
11100001のようなビット文字列を2進数として解釈する必要があると言う人はいません。Latin-1が文字áをエンコードするために使用するビットのシーケンスとして見てください。
Pythonインタープリターで使用されるエンコードはUTF-8です。
これがあなたの例で起こっていることです：
以下は、文字áをUTF-8でエンコードします。これにより、ビット文字列11000011 10100001が生成され、変数に保存されますa。
>>> a = 'á'の値を見るとa、その内容11000011 10100001は16進数0xC3 0xA1としてフォーマットされ、次のように出力され'\xc3\xa1'ます。
>>> a
'\xc3\xa1'次のコードは、UのU + 00E1であるáのUnicodeコードポイントを変数uaに保存します（Pythonがメモリ内のコードポイントU + 00E1を表すために内部で使用するデータ形式は不明であり、重要ではありません）。
>>> ua = u'á'の値を見るとua、PythonにはコードポイントU + 00E1が含まれていることが表示されます。
>>> ua
u'\xe1'次に、UnicodeコードポイントU + 00E1（文字áを表す）をUTF-8でエンコードします。これにより、ビットパターンは11000011 10100001になります。ここでも、出力の場合、このビットパターンは16進数0xC3 0xA1として表されます。
>>> ua.encode('utf-8')
'\xc3\xa1'次の符号化Unicodeコードポイントラテン1、出力のビットパターン11100001.の結果は、このビットパターンが進数0xE1の、のように表されるとU + 00E1（表す文字A）に一致することにより、初期と同じですコードポイントU + 00E1：
>>> ua.encode('latin1')
'\xe1'UnicodeオブジェクトuaとLatin-1エンコーディングの間には何の関係もありません。áのコードポイントがU + 00E1であり、áのLatin-1エンコードが0xE1である（エンコードのビットパターンを2進数として解釈する場合）ことは、まったくの偶然です。
端末がたまたまUTF-8に設定されています。
印刷がa機能するという事実は偶然です。端末に生のUTF-8バイトを書き込んでいます。aは、2バイトの16進値C3とA1を含む長さ2のua値ですが、コードポイントU + 00E1を含む長さ1のユニコード値です。
この長さの違いは、Unicode値を使用する主な理由の1つです。バイト文字列のテキスト文字数を簡単に測定することはできません。len()バイト列のは、エンコードされた文字数ではなく、使用されたバイト数を示します。
ユニコード値を異なる出力エンコーディングにエンコードすると、違いがわかります。
>>> a = 'á'
>>> ua = u'á'
>>> ua.encode('utf8')
'\xc3\xa1'
>>> ua.encode('latin1')
'\xe1'
>>> a
'\xc3\xa1'Unicode標準の最初の256コードポイントはLatin 1標準と一致するため、U + 00E1コードポイントは16進値E1のバイトとしてLatin 1にエンコードされます。
さらに、Pythonはユニコードとバイト文字列の表現に同様にエスケープコードを使用し、印刷可能なASCIIではない低いコードポイントも\x..エスケープ値を使用して表されます。これは、なぜ128と255ルックスの間のコード・ポイントを持つUnicode文字列だけでラテン1つのエンコードのような。U + 00FFを超えるコードポイントを持つユニコード文字列がある場合は、\u....代わりに4桁の16進数値を持つ別のエスケープシーケンスが使用されます。
Unicodeとエンコーディングの違いはまだ十分に理解していないようです。続行する前に、次の記事をお読みください。
すべてのソフトウェア開発者の絶対的な最小値絶対に、確実にUnicodeと文字セットについて知っておく必要があります（言い訳なし！） by Joel Spolsky
Ned Batchelderによる実用的なUnicode
\xe1ラテン1に
aをユニコードとして定義すると、文字aとáは等しくなります。それ以外の場合、áは2文字としてカウントされます。len（a）とlen（au）を試してください。それに加えて、他の環境で作業するときにエンコードが必要になる場合があります。たとえば、md5を使用すると、aとuaの値が異なります
unicode。Unicode文字の抽象化にすぎません。いくつかのエンコーディングunicodeで変換できますstr（例：）utf-8。