資源描述：
《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python中提到unicode，一般指的是unicode對象。例如'哈哈'的unicode對象為1.u'/u54c8/u54c8'復(fù)制代碼而str，是一個(gè)
2、字節(jié)數(shù)組，這個(gè)字節(jié)數(shù)組表示的是對unicode對象編碼(可以是utf-8、gbk、cp936、GB2312)后的存儲的格式。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：在這里su是unicode對象，s_utf8是字節(jié)數(shù)組，存儲的是unicode經(jīng)過utf8編碼后的字節(jié)，'/xe5/x93/x88/xe5/x93/x88'同樣，s_gbk存儲的是unicode經(jīng)過gbk編碼后的字節(jié)。在上面print中，為什么prints_utf8為亂碼，而prints_gbk就可以顯示的是中
3、文？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)?/xe5/x93/x88/xe5/x93/x88'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碼成什么樣子。這里再對print進(jìn)行一點(diǎn)補(bǔ)充說明：當(dāng)將一個(gè)unicode對象傳給print時(shí)，在內(nèi)部會(huì)將該unicode對象進(jìn)行一次轉(zhuǎn)換，轉(zhuǎn)
4、換成本地的默認(rèn)編碼（這僅是個(gè)人猜測）二、str和unicode對象的轉(zhuǎn)換str和unicode對象的轉(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、設(shè)定默認(rèn)編碼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：1.importsys2.3.reload(sys)4.5.sys.setdefaultencoding('gbk')復(fù)制代碼后就可以轉(zhuǎn)換成功，為什么呢？在python中str和un
5、icode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格式的文件建立一個(gè)文件test.txt，文件格式用ANSI，內(nèi)容為:1.abc中文復(fù)制代碼用python來讀取1.#coding=gbk2.3.prin
6、topen("Test.txt").read()復(fù)制代碼結(jié)果：1.abc中文復(fù)制代碼把文件格式改成UTF-8：結(jié)果：1.abc涓菡孧復(fù)制代碼顯然，這里需要解碼：1.#coding=gbk2.3.importcodecs4.5.printopen("Test.txt").read().decode("utf-8")復(fù)制代碼結(jié)果：1.abc中文復(fù)制代碼上面的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)：1.Traceback(mostrecentcalllast):2.3.Fi
7、le"ChineseTest.py",line3,in?4.5.printopen("Test.txt").read().decode("utf-8")1.2.UnicodeEncodeError:'gbk'codeccan'tencodecharacteru'/ufeff'inposition0:illegalmultibytesequence復(fù)制代碼原來，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，即BOM）。因此我們在讀取時(shí)需要自己去掉這些字符，python
8、中的codecsmodule定義了這個(gè)常量：1.#coding=gbk2.3.importcodecs4.5.data=o
