python 编码问题

Posted 2020-07-01 weiokx

字符串在Python内部的表示是unicode 编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。

decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode(‘gb2312‘)，表示将gb2312编码的字符串str1转换成unicode编码。

encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode(‘gb2312‘)，表示将unicode编码的字符串str2转换成gb2312编码。

因此，转码的时候一定要先搞明白，字符串str是什么编码，然后decode成unicode，然后再encode成其他编码。

 

代码中字符串的默认编码与代码文件本身的编码一致 。

如：s=‘中文‘

如果是在utf8的文件中，该字符串就是utf8编码，如果是在gb2312的文件中，则其编码为gb2312。这种情况下，要进行编码转换，都需 要先用decode方法将其转换成unicode编码，再使用encode方法将其转换成其他编码。通常，在没有指定特定的编码方式时，都是使用的系统默 认编码创建的代码文件。

如果字符串是这样定义：s=u‘中文‘

则该字符串的编码就被指定为unicode了，即python的内部编码，而与代码文件本身的编码无关。因此，对于这种情况做编码转换，只需要直接使用encode方法将其转换成指定编码即可。

 

如果一个字符串已经是unicode了，再进行解码则将出错，因此通常要对其编码方式是否为unicode进行判断：

isinstance(s, unicode) #用来判断是否为unicode

用非unicode编码形式的str来encode会报错

 

如何获得系统的默认编码 ？

#!/usr/bin/env python

#coding=utf-8

import sys

print sys.getdefaultencoding()

该段程序在英文WindowsXP 上输出为：ascii

设置文档内字符串默认编码

import sys 

reload(sys) 

sys.setdefaultencoding(‘utf-8‘) 

设置python全局默认编码只需在python的安装目录/Lib/site-packages文件夹下新建一个sitecustomize.py

加入如下代码：

# encoding=utf8

import sys

reload(sys)

sys.setdefaultencoding(‘utf8‘)

注意sitecustomize.py名字是不能修改的。

 

解码过程中使用unicode(str,‘gb2312‘)与str.decode(‘gb2312‘)效果是一样的，都是将gb2312编码的str转为unicode编码

使用str.__class__可以查看str的编码形式

>>> import sys

>>> sys.getdefaultencoding()

‘ascii‘

>>> s = "中文"

>>> s.__class__

<type ‘str‘>

>>> isinstance(s,unicode)  # 是否为unicode代码

False

>>> s

‘\xd6\xd0\xce\xc4‘

>>> print s

中文

>>> s.decode("gb2312")  # 解码成unicode

u‘\u4e2d\u6587‘

>>>

 

>>> s2 = u"中文"

>>> s2.__class__

<type ‘unicode‘>

>>> isinstance(s2, unicode)

True

>>> s2

u‘\u4e2d\u6587‘

>>> print s2

中文

>>> s2.encode("gb2312")  # 编码为gb2312

‘\xd6\xd0\xce\xc4‘

>>>

 

下面这个例子是以gb2312格式输出内容，在IDLE中运行是没有效果的

#!/usr/bin/env python 

#coding=utf-8 

import sys

reload(sys)

sys.setdefaultencoding(‘utf8‘)

s="中文"

if isinstance(s, unicode): 

    print s.encode(‘gb2312‘) 

else:

    print s.decode(‘utf-8‘).encode(‘gb2312‘)

raw_input("press enter")

 

另外django库里面有一个转换工具非常好用,可以转换任意编码

from django.utils.encoding import smart_str, smart_unicode

s = "中文"

s= smart_str(s, encoding="utf-8")  # 默认转换为utf-8编码

如果想转换unicode可以使用

s= smart_unicode(s, encoding="utf-8")  # 默认转换为utf-8编码

 

python 还提供codecs编码转换库

>>> import codecs

>>> f = codecs.open("/data/testdata/test.txt", "r", "utf-8")  # 以utf-8形式打开文件

>>> for line in f:

        if line[:3] == codecs.BOM_UTF8:

            line = line[3:]

        print line