python 中文亂碼問題深入分析.doc

《python 中文亂碼問題深入分析.doc》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、python中文亂碼問題深入分析一直以來，python中的中文編碼就是一個(gè)極為頭大的問題，經(jīng)常拋出編碼轉(zhuǎn)換的異常，python中的str和unicode到底是一個(gè)什么東西呢？在本文中，以'哈'來解釋作示例解釋所有的問題，“哈”的各種編碼如下：1.UNICODE(UTF8-16)，C854；2．UTF-8，E59388；3．GBK，B9FE。一、python中的str和unicode一直以來，python中的中文編碼就是一個(gè)極為頭大的問題，經(jīng)常拋出編碼轉(zhuǎn)換的異常，python中的str和unicode到底是一個(gè)什么東西呢？在py

2、thon中提到unicode，一般指的是unicode對(duì)象，例如'哈哈'的unicode對(duì)象為u'u54c8u54c8'而str，是一個(gè)字節(jié)數(shù)組，這個(gè)字節(jié)數(shù)組表示的是對(duì)unicode對(duì)象編碼(可以是utf-8、gbk、cp936、GB2312)后的存儲(chǔ)的格式。這里它僅僅是一個(gè)字節(jié)流，沒有其它的含義，如果你想使這個(gè)字節(jié)流顯示的內(nèi)容有意義，就必須用正確的編碼格式，解碼顯示。例如：對(duì)于unicode對(duì)象哈哈進(jìn)行編碼，編碼成一個(gè)utf-8編碼的str－s_utf8,s_utf8就是是一個(gè)字節(jié)數(shù)組，存放的就是'xe5x93x8

3、8xe5x93x88'，但是這僅僅是一個(gè)字節(jié)數(shù)組，如果你想將它通過print語句輸出成哈哈，那你就失望了，為什么呢？因?yàn)閜rint語句它的實(shí)現(xiàn)是將要輸出的內(nèi)容傳送了操作系統(tǒng)，操作系統(tǒng)會(huì)根據(jù)系統(tǒng)的編碼對(duì)輸入的字節(jié)流進(jìn)行編碼，這就解釋了為什么utf-8格式的字符串“哈哈”，輸出的是“鍝堝搱”，因?yàn)?xe5x93x88xe5x93x88'用GB2312去解釋，其顯示的出來就是“鍝堝搱”。這里再強(qiáng)調(diào)一下，str記錄的是字節(jié)數(shù)組，只是某種編碼的存儲(chǔ)格式，至于輸出到文件或是打印出來是什么格式，完全取決于其解碼的編碼將它解

4、碼成什么樣子。這里再對(duì)print進(jìn)行一點(diǎn)補(bǔ)充說明：當(dāng)將一個(gè)unicode對(duì)象傳給print時(shí)，在內(nèi)部會(huì)將該unicode對(duì)象進(jìn)行一次轉(zhuǎn)換，轉(zhuǎn)換成本地的默認(rèn)編碼（這僅是個(gè)人猜測(cè)）二、str和unicode對(duì)象的轉(zhuǎn)換str和unicode對(duì)象的轉(zhuǎn)換，通過encode和decode實(shí)現(xiàn)，具體使用如下：將GBK'哈哈'轉(zhuǎn)換成unicode，然后再轉(zhuǎn)換成UTF8三、Setdefaultencoding如上圖的演示代碼所示：當(dāng)把s(gbk字符串)直接編碼成utf-8的時(shí)候，將拋出異常，但是通過調(diào)用如下代碼：import?sysreload

5、(sys)sys.setdefaultencoding('gbk')后就可以轉(zhuǎn)換成功，為什么呢？在python中str和unicode在編碼和解碼過程中，如果將一個(gè)str直接編碼成另一種編碼，會(huì)先把str解碼成unicode，采用的編碼為默認(rèn)編碼，一般默認(rèn)編碼是anscii，所以在上面示例代碼中第一次轉(zhuǎn)換的時(shí)候會(huì)出錯(cuò)，當(dāng)設(shè)定當(dāng)前默認(rèn)編碼為'gbk'后，就不會(huì)出錯(cuò)了。至于reload(sys)是因?yàn)镻ython2.5?初始化后會(huì)刪除?sys.setdefaultencoding?這個(gè)方法，我們需要重新載入。四、操作不同文件的編碼

6、格式的文件建立一個(gè)文件test.txt，文件格式用ANSI，內(nèi)容為:abc中文用python來讀取#coding=gbkprintopen("Test.txt").read()結(jié)果：abc中文把文件格式改成UTF-8：結(jié)果：abc涓枃顯然，這里需要解碼：#coding=gbkimportcodecsprintopen("Test.txt").read().decode("utf-8")結(jié)果：abc中文上面的test.txt我是用Editplus來編輯的，但當(dāng)我用Windows自帶的記事本編輯并存成UTF-8格式時(shí)，運(yùn)行時(shí)報(bào)錯(cuò)

7、：Traceback(mostrecentcalllast):File"ChineseTest.py",line3,in?printopen("Test.txt").read().decode("utf-8")UnicodeEncodeError:'gbk'codeccan'tencodecharacteru'ufeff'inposition0:illegalmultibytesequence原來，某些軟件，如notepad，在保存一個(gè)以UTF-8編碼的文件時(shí)，會(huì)在文件開始的地方插入三個(gè)不可見的字符（0xEF0xBB0xBF

8、，即BOM）。因此我們?cè)谧x取時(shí)需要自己去掉這些字符，python中的codecsmodule定義了這個(gè)常量：#coding=gbkimportcodecsdata=open("Test.txt").read()ifdata[:3]==codecs.BOM_UTF8:data=