JISの第4水準漢字をPythonで処理している時に問題発生 - 強火で進め

JISの第4水準漢字の先頭の部分、具体的には以下の文字を処理している時に問題が発生＆原因判明したのでメモしておきます。 コードポイント 漢字 U+20089 𠂉 U+4E02 丂 U+4E0F 丏 U+4E12 丒 U+4E29 丩 U+4E2B 丫 U+4E2E 丮 U+4E40 乀 U+4E47 乇 これを 𠂉丂丏丒丩丫丮乀乇 と並べた状態で記述されたテキストファイルから文字を読み込んだ時に問題が発生しました。 テキストファイルから1行読み込んだ後に1文字づつに分割しようとlist()を実行した所、以下の様な結果に成りました。 [u'\ud840', u'\udc89', u'\u4e02', u'\u4e0f', u'\u4e12', u'\u4e29', u'\u4e2b', u'\u4e2e', u'\u4e40', u'\u4e47']解説すると先頭のコードポイントが U+

[takeda25]

えぇっ、Pythonも3.3までそんなJava並にイケてない仕様だったんだ…。

[tarchan]

＞narrow ビルドでは 16 ビットの範囲外の文字はふたつの 16 ビット表現を組み合わせて表現します（サロゲート・ペア）