pythonのunicodeについて

Question

pythonで日本語と数値が混在するlistがあります。
[’あいう’, '129239',,.....]
のようになっていますが、これを

print list

のようにすると
[u'...' '129239',...]のように日本語の部分だけunicodeが用いられてしまいます。
この後このlistを使ってXMLファイルを出力したいのですがこのままlistの各要素をつかっていいのでしょうか？
もしくは日本語の部分のみ、XMLに出力するときになんらかの変換をしなくてはいけないのでしょうか？

Answer 1

python2.xですね。

リストは[’あいう’, '129239',,.....] のようになっていると書かれていますが、その認識が少し間違っている可能性があります。
実際に、
x = [’あいう’, '129239'] というリストを作ってprintステートメントで出力してみると、
['\xe3\x81\x82\xe3\x81\x84\xe3\x81\x86', '129239'] のようになり、uが付かない文字列型として認識されるはずです。

お気づきのとおり、クォーテーションの前にuが付いているのはUnicode型であるということです。Python(2.x系)におけるUnicode型というのは、「Shift_JIS」や「UTF-8」などのように単に文字コードの名称というわけではなく、あるオブジェクト型です。
Unicode型をそのままファイルに出力しようとすると、Pythonはasciiで文字列型に変換しようとするわけですが、そこに日本語が含まれているとUnicodeEncodeErrorが発生します。

そのため、Unicode型として保持されている日本語をファイルに出力するためには、文字コードを指定して文字列型に変換する必要があります。具体的にはencode()メソッドを使います。

いま問題となっているリストにはUnicode型以外の要素も含まれるようなので、例えば次のようなコードで処理できるのではないでしょうかか。

>>> print currentlist
[u'\u3042\u3044\u3046', '1292397', ...]

>>> newlist = []
>>> for x in currentlist:
...        if isinstance(x, unicode):
...                newlist.append(x.encode('utf-8'))
...        else:
...                newlist.append(x)
...
>>> print newlist
['\xe3\x81\x82\xe3\x81\x84\xe3\x81\x86', '1292397', ...]

リスト内包表記で一行で書くと

newlist = [x.encode('utf-8') if isinstance(x, unicode) else x in x for currentlist]

勝手に新しいリストを作る形にしてしまいましたが、もちろんファイルに書き込む段階でそれぞれencode()を使うなどの処理でもいいかと思います。

ついでに言えば、数値の部分も '129239' という文字列型ではなく数値型になっている可能性があるので、その場合、str()関数で型変換するなどしなければいけません。