GNOME recomienda fuertemente el uso de Python 3 para escribir aplicaciones.
Python 2 viene con dos tipos de objetos diferentes que pueden usarse para representar cadenas, str y unicode. Las instancias de unicode se usan para expresar cadenas de Unicode, mientras que las instancias del tipo str son representaciones de bytes (la cadena codificada). A nivel funcional, Python representa las cadenas de Unicode como enteros de 16 ó 32 bits, dependiendo de cómo se compiló su intérprete.
>>> unicode_string = u"Fu\u00dfb\u00e4lle"
>>> print unicode_string
Fußbälle
Las cadenas de Unicode pueden convertirse a cadenas de 8 bits con unicode.encode(). Las cadenas de 8 bits de Python tienen un método str.decode() que interpreta la cadena usando la codificación dada (es decir, es la inversa de unicode.encode()):
>>> type(unicode_string)
<type 'unicode'>
>>> unicode_string.encode("utf-8")
'Fu\xc3\x9fb\xc3\xa4lle'
>>> utf8_string = unicode_string.encode("utf-8")
>>> type(utf8_string)
<type 'str'>
>>> unicode_string == utf8_string.decode("utf-8")
True
Desafortunadamente, Python 2.x le permite mezclar unicode y str si la cadena de 8 bits contuviera sólo bytes de 7 bits (ASCII), pero obtendría
Desde Python 3.0, todas las cadenas se almacenan como Unicode en una instancia del tipo str. Las cadenas codificadas, por otro lado, se representan como datos binarios en la forma de instancias del tipo de bytes. Conceptualmente, str se refiere a texto, mientras que bytes se refieren a datos. Use encode() para ir de str a bytes, y decode() para ir de bytes a str.
Además, ya no es posible mezclar cadenas de Unicode con cadenas codificadas, porque se producirá un TypeError:
>>> text = "Fu\u00dfb\u00e4lle"
>>> data = b" sind rund"
>>> text + data
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: Can't convert 'bytes' object to str implicitly
>>> text + data.decode("utf-8")
'Fußbälle sind rund'
>>> text.encode("utf-8") + data
b'Fu\xc3\x9fb\xc3\xa4lle sind rund'
GTK+ usa cadenas codificadas con UTF-8 para todo el texto. Esto significa que si llama a un método que devuelve una cadena, siempre obtendrá una instancia del tipo str. Lo mismo se aplica a métodos que esperan una o más cadenas como parámetro, deben estar codificadas con UTF-8. Sin embargo, por comodidad, PyGObject convertirá automáticamente cualquier instancia de Unicode a «str» si se proporciona como argumento:
>>> from gi.repository import Gtk
>>> label = Gtk.Label()
>>> unicode_string = u"Fu\u00dfb\u00e4lle"
>>> label.set_text(unicode_string)
>>> txt = label.get_text()
>>> type(txt)
<type 'str'>
Además:
>>> txt == unicode_string
devolvería False, con la advertencia __main__:1: UnicodeWarning: Unicode equal comparison failed to convert both arguments to Unicode - interpreting them as being unequal (Gtk.Label.get_text() devolverá siempre una instancia de str; por lo tanto, txt y unicode_string no son iguales).
Esto es especialmente importante si quiere internacionalizar su programa usando gettext. Tiene que asegurarse de que gettext devuelva cadenas de 8 bits codificadas con UTF-8 para todos los idiomas.
En general se recomienda no usar ningún objeto de unicode en aplicaciones de GTK+, y sólo usar objetos str codificados con UTF-8 dado que GTK+ no integra completamente objetos unicode.
En Python 3.x las codificación de cadenas es más consistente, porque PyGObject automáticamente codifica/decodifica hacia/desde UTF-8 si le pasa una cadena a un método o un método devuelve una cadena. Las cadenas, o el texto, siempre se representarán sólo como instancias de str.
Cómo manejar cadenas: el tutorial de GTK+ 3 en Python