用python处理中文,读取文件或消息时,如果发现乱码(字符串处理,读写文件,print),大多数人的做法是,调用encode/decode进行调试,并没有明确思考为何出现乱码, 今天我们来讨论一下如何处理编码问题。
注意: 以下讨论为Python2.x版本,Py3k下未测试
调试时最常出现的错误
错误1
Traceback (most recent call last): File "<stdin>",line 1,in <module> UnicodeDecodeError: ‘ascii‘ codec can‘t decode byte 0xe6 in position 0: ordinal not in range(128)
# End www.jb51.cc
错误2
Traceback (most recent call last): File "<stdin>",in <module> File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/encodings/utf_8.py",line 16,in decode return codecs.utf_8_decode(input,errors,True) UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 0-1: ordinal not in range(128)
# End www.jb51.cc
首先
必须有大体概念,了解下字符集,字符编码
ASCII | Unicode | UTF-8 | 等等
字符编码笔记:ASCII,Unicode和UTF-8
str 和 unicode
str和unicode都是basestring的子类
所以有判断是否是字符串的方法
def is_str(s): return isinstance(s,basestring)
str和unicode 转换
str -> decode(‘the_coding_of_str‘) -> unicode unicode -> encode(‘the_coding_you_want‘) -> str
区别
str是字节串,由unicode经过编码(encode)后的字节组成的
声明方式
# @param Python 编码处理之 str与Unicode的区别与使用
# @author 编程之家 jb51.cc|www.512Pic.com
>>> s = ‘中文‘ s = u‘中文‘.encode(‘utf-8‘)
>>> type(‘中文‘) <type ‘str‘>
# End www.jb51.cc
求长度(返回字节数)
>>> u‘中文‘.encode(‘utf-8‘) ‘\xe4\xb8\xad\xe6\x96\x87‘
>>> len(u‘中文‘.encode(‘utf-8‘))
6
# End www.jb51.cc
unicode才是真正意义上的字符串,由字符组成
声明方式
>>> s = u‘中文‘
>>> s = ‘中文‘.decode(‘utf-8‘)
>>> s = unicode(‘中文‘,‘utf-8‘)
>>> type(u‘中文‘) <type ‘unicode‘>
# End www.jb51.cc
求长度(返回字符数),在逻辑中真正想要用的
>>> u‘中文‘ u‘\u4e2d\u6587‘
>>> len(u‘中文‘)
2
# End www.jb51.cc
结论
搞明白要处理的是str还是unicode,使用对的处理方法(str.decode/unicode.encode)
下面是判断是否为unicode/str的方法
>>> isinstance(u‘中文‘,unicode) True
>>> isinstance(‘中文‘,unicode) False
>>> isinstance(‘中文‘,str) True
>>> isinstance(u‘中文‘,str) False
# End www.jb51.cc
简单原则:不要对str使用encode,不要对unicode使用decode (事实上可以对str进行encode的,具体见最后,为了保证简单,不建议)
>>> ‘中文‘.encode(‘utf-8‘)
Traceback (most recent call last): File "<stdin>",in <module> UnicodeDecodeError: ‘ascii‘ codec can‘t decode byte 0xe4 in position 0: ordinal not in range(128)
>>> u‘中文‘.decode(‘utf-8‘)
Traceback (most recent call last): File "<stdin>",True) UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 0-1: ordinal not in range(128)
# End www.jb51.cc
不同编码转换,使用unicode作为中间编码
# @param Python 编码处理之 str与Unicode的区别与使用
# @author 编程之家 jb51.cc|www.512Pic.com
#s是code_A的str s.decode(‘code_A‘).encode(‘code_B‘)
# End www.jb51.cc
文件处理,IDE和控制台
处理流程,可以这么使用,把python看做一个水池,一个入口,一个出口
入口处,全部转成unicode,池里全部使用unicode处理,出口处,再转成目标编码(当然,有例外,处理逻辑中要用到具体编码的情况)
读文件 外部输入编码,decode转成unicode 处理(内部编码,统一unicode) encode转成需要的目标编码 写到目标输出(文件或控制台)
IDE和控制台报错,原因是print时,编码和IDE自身编码不一致导致
>>> print u‘中文‘.encode(‘gbk‘) ????
>>> print u‘中文‘.encode(‘utf-8‘) 中文
# End www.jb51.cc
建议
规范编码
统一编码,防止由于某个环节产生的乱码
这个很重要
py文件默认编码是ASCII,在源代码文件中,如果用到非ASCII字符,需要在文件头部进行编码声明 文档
不声明的话,输入非ASCII会遇到的错误,必须放在文件第一行或第二行
File "XXX.py",line 3 SyntaxError: Non-ASCII character ‘\xd6‘ in file c.py on line 3,but no encoding declared; see http://www.python.org/peps/pep-0263.html for details
# End www.jb51.cc
声明方法
# @param Python 编码处理之 str与Unicode的区别与使用
# @author 编程之家 jb51.cc|www.512Pic.com
# -*- coding: utf-8 -*- 或者 #coding=utf-8
# End www.jb51.cc
若头部声明coding=utf-8,a = ‘中文‘ 其编码为utf-8
若头部声明coding=gb2312,a = ‘中文‘ 其编码为gbk
so,同一项目中所有源文件头部统一一个编码,并且声明的编码要和源文件保存的编码一致(编辑器相关)
在源代码用作处理的硬编码字符串,统一用unicode
将其类型和源文件本身的编码隔离开,独立无依赖方便流程中各个位置处理
# @param Python 编码处理之 str与Unicode的区别与使用
# @author 编程之家 jb51.cc|www.512Pic.com
if s == u‘中文‘: #而不是 s == ‘中文‘ pass #注意这里 s到这里时,确保转为unicode
# End www.jb51.cc
以上几步搞定后,你只需要关注两个 unicode和 你设定的编码(一般使用utf-8)
处理顺序
1. Decode early 2. Unicode everywhere 3. Encode later
相关模块及一些方法
获得和设置系统默认编码
>>> import sys
>>> sys.getdefaultencoding() ‘ascii‘
>>> reload(sys) <module ‘sys‘ (built-in)>
>>> sys.setdefaultencoding(‘utf-8‘)
>>> sys.getdefaultencoding() ‘utf-8‘
>>> str.encode(‘other_coding‘)
# End www.jb51.cc
在python中,直接将某种编码的str进行encode成另一种编码str
#str_A为utf-8 str_A.encode(‘gbk‘) 执行的操作是 str_A.decode(‘sys_codec‘).encode(‘gbk‘) 这里sys_codec即为上一步 sys.getdefaultencoding() 的编码
‘获得和设置系统默认编码‘和这里的str.encode是相关的,但我一般很少这么用,主要是觉得复杂不可控,还是输入明确decode,输出明确encode来得简单些
chardet
文件编码检测,下载
>>> import chardet
>>> f = open(‘test.txt‘,‘r‘)
>>> result = chardet.detect(f.read())
>>> result {‘confidence‘: 0.99,‘encoding‘: ‘utf-8‘}
# End www.jb51.cc
\u字符串转对应unicode字符串
>>> u‘中‘ u‘\u4e2d‘
>>> s = ‘\u4e2d‘
>>> print s.decode(‘unicode_escape‘) 中
>>> a = ‘\\u4fee\\u6539\\u8282\\u70b9\\u72b6\\u6001\\u6210\\u529f‘
>>> a.decode(‘unicode_escape‘) u‘\u4fee\u6539\u8282\u70b9\u72b6\u6001\u6210\u529f‘
# End www.jb51.cc