python3でのbytes型の中で.decode('utf-8')を指定してもエラーになる

Question

お世話になります。
python入門（２＆３対応）で勉強しています
Python2系から3系になってから文字列はUnicodeになり、そしてbytes型が追加されたことはわかりました。
byteｓ型を実際に書籍通りで実行してみました

C:\Users\mtg-1>python
Python 3.5.2 |Anaconda 4.2.0 (64-bit)| (default, Jul 5 2016, 11:41:13) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.

b'abc'

b'abc'

bytes('あいう','utf8')

b'\xe3\x81\x82\xe3\x81\x84\xe3\x81\x86'

b'あい '+ 'うえお'

File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.

b'あい'.decode('utf-8') + 'うえお'

File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.

str(b'あいう')

File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.
＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊

b'あい' + 'うえお'

File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.

これは理解できます。

b'あい'.decode('utf-8') + 'うえお'

File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.

str(b'あいう')

File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.

.decode('utf-8')で連結させようとしてもバイトにはASCIIリテラル文字しか含めることができません。

また同じ理由でStr関数に直接渡すことができない

import sys
print(sys.getdefaultencoding())

utf-8

print(sys.stdout.encoding)

cp932

print('こんにちはこんにちは')

こんにちはこんにちは

となります

print(sys.stdout.encoding)

cp932→utf-8にするにはどうすればいいのでしょうか？

よろしくお願いいたします

Answer 1

python3では

• b'～'にASCII文字以外を含めることはできません。
• str→bytes はencode/bytes→strはencodeを使います。

C:\Windows\system32>python
Python 3.5.2 |Anaconda 4.2.0 (64-bit)| (default, Jul  5 2016, 11:41:13) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import sys
>>> sys.stdin.encoding
'cp932'
>>> sys.stdout.encoding
'cp932'
>>> sys.getdefaultencoding()
'utf-8'
>>> ai = 'あい'
>>> type(ai)
<class 'str'>

# b'～'にASCII文字以外を含めることはできない。b'ab'などはOK。
>>> ai = b'あい'
  File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.

# str型(=UNICODE文字列)からutf-8エンコード（表現）されたbytes型を得る。
>>> ai = 'あい'
>>> ai_utf8 = ai.encode('utf-8')
>>> ai_utf8
b'\xe3\x81\x82\xe3\x81\x84'
>>> type(ai_utf8)
<class 'bytes'>

# str型(=UNICODE文字列)からcp932エンコード（表現）されたbytes型を得る。
>>> ai_sjis = ai.encode('cp932')
>>> ai_sjis
b'\x82\xa0\x82\xa2'
>>> type(ai_sjis)
<class 'bytes'>

# utf-8エンコード（表現）されたbytes型からstr型(=UNICODE文字列)を得る（デコードする）。
# 引数なしだとbyte型のエンコード（表現）はdefaultencoding（＝utf-8）とみなして処理される。
>>> ai_str = ai_utf8.decode()
>>> ai_str
'あい'
>>> type(ai_str)
<class 'str'>

# cp932エンコード（表現）されたbytes型からstr型(=UNICODE文字列)を得る（デコードする）。
# utf-8ではないのにutf-8とみなしてデコードしようとしてエラー
>>> ai_str = ai_sjis.decode()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x82 in position 0: invalid start byte

# 明示的にbyte型のエンコード（表現）を指定してデコードする。
>>> ai_str = ai_sjis.decode('cp932')
>>> ai_str
'あい'
>>> type(ai_str)
<class 'str'>

以下、本筋とは離れた内容になるため、参考程度にお読みください。

シェル（ターミナル）とpythonの標準入力の文字コードが異なる場合

ちなみにWin10+Anacondaの対話環境でPYTHONIOENCODING環境変数を利用してみましたが
コマンドプロンプト上（cp932）とpython実行環境（utf-8）の文字コード不整合のためか、下記のようにエラーになりますね。

C:\Windows\system32>chcp
現在のコード ページ: 932

C:\Windows\system32>set PYTHONIOENCODING=utf-8
C:\Windows\system32>echo %PYTHONIOENCODING%
utf-8

C:\Windows\system32>python
Python 3.5.2 |Anaconda 4.2.0 (64-bit)| (default, Jul  5 2016, 11:41:13) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import sys
>>> sys.stdin.encoding
'utf-8'
>>> sys.stdout.encoding
'utf-8'
>>> ai = 'あい'
  File "<stdin>", line 0

    ^
SyntaxError: 'utf-8' codec can't decode byte 0x82 in position 6: invalid start byte

コマンドプロンプトのコードページを65001(UTF-8)にしてみると…

C:\Windows\system32>set PYTYONIOENCODING=utf-8
C:\Windows\system32>echo %PYTHONIOENCODING%
utf-8
C:\Windows\system32>chcp
Active code page: 65001

C:\Windows\system32>python
Python 3.5.2 |Anaconda 4.2.0 (64-bit)| (default, Jul  5 2016, 11:41:13) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import sys
>>> sys.stdin.encoding
'utf-8'
>>> sys.stdout.encoding
'utf-8'
>>> sys.getdefaultencoding()
'utf-8'
>>> ai = 'ab'
>>> ai
'ab'

# ↓ IMEが立ち上がらないのでコピーペーストで入力
>>> ai = 'あい'

# ↑ pytyon.exeが異常終了？してコマンドプロンプトに戻る…
# 何らかのエラーメッセージを出力しているのかもしれないが文字コード不整合のため表示されていない？
C:\Windows\system32>

Comments

[ikedas]

あてずっぽですが、「chcp 65001」を実行してからやったらどうなるでしょうか。

[8524ba23]

理屈上はうまくいくはずなのですが、思わぬ結果にorz

[Casablanca_mtg]

この件についてずいぶん悩んでいます。がしかし結果が得られていません。encodeでの内容は難しいと感じます。PCの環境でどうしても解決できない？？秀和システムにも質問しました

unicode('あいう') と'あいう'.decode() のエラー
→ これは、'あいう'のエンコードと、デフォルトのエンコードがあ
っていないものと思われます。

unicode('あいう', 'utf-8') とunicode('あいう', 'euc_jp') のエラー
→ これは、'あいう'のエンコードがutf-8またはeuc_jpになってい
ないものと思われます。

'あいう'のエンコードはソースコードの# -*- coding: utf-8 -*-や、
シェルの環境によって変わります。
次のようにして、'あいう'のエンコードを確認してみてください。
http://php6.jp/python/2011/01/13/encoding/

デフォルトのエンコードは
import sys
sys.getdefaultencoding()
で知ることができます。
これは、site-packagesの中にあるsitecustomize.pyで指定されるこ
とが多いです。

http://php6.jp/python/2011/01/13/encoding/これも読みました
しかし解決に至らない状況です

[8524ba23]

回答にも追記しましたが、元の質問の内容とは離れていると思います。

まずはpython3環境内でのstr/bytesの相互変換についての理解を深め、その後に外部とのデータ入出力における文字コード変換を学習したほうがよいでしょう。
（たとえばUTF-8で書かれた文字列を読込んでShift-JISで書き出すなど）
その場合も、標準入出力ではなく、ファイル入出力で行った方がよいです。

[Casablanca_mtg]

すみません。同じ内容を秀和システムに確認した結果が上記でした。秀和システムが書いたものだったため年末に質問して回答をもらったのですがそれで実際試しましたができなかったため質問しました。（元の質問の内容とは離れていると思います。）→だから余計ややこしくなったのかもしれません。

[Casablanca_mtg]

皆様ありがとうございます。2系と３系を書籍に従って切り替えながら勉強しています。
python3環境内でのstr/bytesの相互変換についての理解を深め、その後に外部とのデータ入出力における文字コード変換を学習したほう良いとのご意見真摯に受け止めさせていただいてこの章をじっくりやり直してみます。こうやって皆様のお力をお借りすることでいろいろ理解できるようになってきたことも確かです。さらに頑張ってみます。ありがとうございます

Answer 2

(Windowsと合わない説明を修正しました)

コマンドプロンプトで端末の文字コードをUTF-8にするには、次のようにします。

> chcp 65001

Pythonの入出力の文字コードを変えるには、Pythonを起動する前にPYTHONIOENCODING環境変数を設定します。

> PYTHONIOENCODING=utf-8
> python ...
...

ちなみに、上記の方法だと標準入出力の全部 (sys.stdin.encoding、sys.stdout.encoding、sys.stderr.encoding) が変わります。どれか一つだけ (たとえばsys.stdout.encodingだけ) 変える場合は、

import codecs
import sys

# Python 2.x
sys.stdout = codecs.getwriter("utf-8")(sys.stdout)
print u'あい' # bytes型ではだめ

# Python 3.x
sys.stdout = codecs.getwriter("utf-8")(sys.stdout.detach())
print('あい')

(追記)

Python 3では、文字列に特定の文字コードが指定されることはありません。Python内部では、文字データはすべてユニコードで扱われます。

文字データを実際にファイルに保存したり通信回線で送ったりするときは、バイトデータに変換してやる必要があります。つまり、Pythonの外部では文字はバイト型のデータで表されます。文字とバイトの間の変換ルールを文字コードと言います。文字コードには「UTF-8」や「CP932」などのいろいろな種類があります。

sys.stdout.encodingを変えるということは、print()で文字を出力するときにどの文字コードのバイトデータにするかを変える、ということです。出力先の端末 (画面) で想定している文字コードと違えば、正しく表示されません。例えば、端末の文字コードがUTF-8のときにsys.stdout.encodingをCP932にすれば、表示されるものは文字化けします。

Comments

[Casablanca_mtg]

試してみました。
C:\Users\mtg-1>python
Python 3.5.2 |Anaconda 4.2.0 (64-bit)| (default, Jul 5 2016, 11:41:13) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import codecs
>>> import sys
>>> sys.stdout = codecs.getwriter('utf-8')(sys.stdout.detach())
>>> print('あい')
縺ゅ＞
文字化けをしてしまいます。これはデフォルトはUTF-8なのだがコマンドプロンプトのエンコードはcp932なのでバイトにはASCIIリテラル文字しか含めることができない？このように理解したのですが・・・・

[ikedas]

回答に説明を追記してみました。

(再修正) 混乱させてすみません。Windowsが前提になっていなかったので、説明を修正しました。

[Casablanca_mtg]

＞chcp 65001は前に試しましたがこれにすると日本語が打てなくなります
>>>bytes('あいう', 'utf-8')を記述しようとすると>>>bytes('aiu', 'utf-8')としか表示できません
そのため”Bash on Ubuntu on Windowsの最高の日本語ターミナル環境を整える”でも考えた方がよいのかと思いましたがどうも質問の域からずれる気がしてまだやっていません

Answer 3

b'あい'.decode('cp932')

で、どうですか？

Comments

[Casablanca_mtg]

実行しました。
C:\Users\mtg-1>python
Python 3.5.2 |Anaconda 4.2.0 (64-bit)| (default, Jul 5 2016, 11:41:13) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> b'あい'.decode('cp932') + 'うえお'
File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.
となりました。やはりバイトにはASCIIリテラル文字しか含めることができないですね

[takeshi]

すいません、結合時の自動変換でのエラーかと思ったら、そもそも b'あい' と書くことが認められていないんですね。
どういうケースで必要なのか分かりませんが通常は単に 'あい' と書くべきかと思います。
本当のバイト列からの変換（ファイルのバイナリでの読み書きなど）であれば、
b'\x82\xa0\x82\xa2'.decode('sjis')
というようにしてあげれば unicode に変換できるようです。