Se debe a la forma en que Python 2 trabaja con los caracteres no-ascii.
Resulta que cuando tú pones en tu código fuente una línea como esta:
cadena = "EÑE"
lo que realmente va a parar a la variable depende de qué editor hayas usado.
Si usas un editor que usa codificación ISO (por ejemplo, muchos editores de windows), se guardarán en la variable tres bytes, pues en esa codificación cada letra es un solo byte (y el código de la letra Ñ
sería f1
).
Si usas un editor que usa codificación UTF-8 (lo más estándar hoy día, en linux y en mac e incluso en windows según que editor uses), entonces en la variable irían cuatro bytes, pues en esa codificación algunas letras ocupan sólo un byte (las ascii) y otras dos ó tres. La eñe en particular se codificaría con dos bytes de valor c3
y 91
.
Esto trae todo tipo de problemas, como por ejemplo que len(cadena)
te puede devolver 4 ó 3 según qué editor hayas usado.
Por ello, desde el momento en que tu programa vaya a tener que manejar textos que puedan incluir caracteres no ascii, lo que debe hacerse es trabajar siempre con Unicode.
En python 2, Unicode es otro tipo más de variable, distinto de str
. Para meter una cadena en Unicode, debes poner una u
delante de las comillas. Así:
cadena = u'Eñe'
En este caso Python codifica cada carácter de la cadena de forma uniforme. Todos requerirán 32 bits (aunque esto es realmente transparente para nosotros). La función len()
sobre una cadena unicode te dice cuántas letras tiene, no cuántos bytes, por lo que devolverá 3 independientemente de en qué editor lo hayas escrito.
Si tienes una cadena que no forma parte del código fuente del programa sino que ha sido leída del exterior (de un fichero, de un socket, o mediante raw_input()
), será una cadena str
, es decir, una secuencia de bytes. Para poder manejarla en tu programa y compararla con otras que sean Unicode, deberás convertirlas también en Unicode. Por ejemplo así:
nombre = raw_input("Como te llamas? ")
nombre = unicode(nombre, "utf8")
El problema de esta conversión es que, como ves, tienes que especificar el encoding en que se encuentra la cadena str
. En este ejemplo he puesto "utf8"
, suponiendo que la terminal desde la que leo el texto usa utf8. Si usara otro encoding la conversión podría fallar. Lo mismo si lees de fichero, debes saber en qué encoding está el fichero.
Yendo a tu ejemplo. Tienes un código equivalente a éste:
cadena = "EÑE"
for letra in cadena:
if letra == 'E':
print 'Letra E'
elif letra == 'Ñ':
print 'Letra Ñ'
else:
print 'Otra letra' # <-- He añadido esto
Como ves, cadena
es de tipo str
(pues no lleva u
delante). Si este código lo escribes desde un editor que use UTF8, la cadena contendrá cuatro bytes según lo antes explicado. Esto implica que el bucle se repetiría cuatro veces (como podrás comprobar si lo ejecutas). En cada iteración letra
será un byte. En ninguna de sus iteraciones se cumplirá que letra == "Ñ"
, pues "Ñ"
son dos bytes según explicamos antes.
Ahora tiene sentido su misteriosa salida:
Letra E
Otra letra
Otra letra
Letra E
Se arreglaría así:
cadena = u"EÑE"
for letra in cadena:
if letra == u'E':
print 'Letra E'
elif letra == u'Ñ':
print 'Letra Ñ'
else:
print 'Otra letra'
Aún así tenemos un mix de cadenas normales con cadenas unicode en el que es fácil meter la pata. Python3 simplifica esto haciendo que todas sus cadenas sean Unicode por defecto.