码迷,mamicode.com
首页 > 编程语言 > 详细

Python编码问题

时间:2015-08-12 23:05:29      阅读:263      评论:0      收藏:0      [点我收藏+]

标签:

1 编码概述

为了便于大家更好的理解编码问题,首先第一部分先得了解每一种具体的编码。这一部分我觉得别人已经整理的很好了,所以直接将这一部分粘贴了过来,具体的出处可以查看参考文献[2]。

由于最初的时候人们用8个可以开合的晶体管来组合成不同的状态,以表示世界上的万物。那时候他们认为8个开关状态作为原子单位很好,于是他们把称为“字节”。后来人们发明了计算机,开始用8字节组合出更多的状态。

他们把其中的编号从0开始的32种状态分别规定了特殊的用途,一但终端设备或者打印机遇上这些约定好的字节时,就要做一些约定的动作。遇上 00x10, 终端就换行,遇上0x07, 终端就向人们嘟嘟叫,例好遇上0x1b, 打印机就打印反白的字,对于终端就用彩色显示字母。他们看到这样很好,于是就把这些0x20(十进制32)以下的字节状态称为“控制码”。

他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示,一直编到了第127号,这样计算机就可以用不同字节来存储英语的 文字了。大家看到这样,都感觉很好,于是大家都把这个方案叫做 ANSI 的"Ascii"编码(American Standard Code for Information Interchange,美国信息互换标准代码)。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。

而由于当时的ASCII编码是当时的美国人发明的,所以只是针对的英文文字。后来,使用其他语言的国家也开始使用计算机,而又没有特定的编码。他们决定采用127号之后的空位来表示这些新的字母、符号,还加入了很多画表格时需要用下到的横线、竖线、交叉等形状,一直把序号编到了最后一个状态255。从128到255这一页的字符集被称“扩展字符集”。

等中国人们得到计算机时,已经没有可以利用的字节状态来表示汉字,况且有6000多个常用汉字需要保存呢。但是这难不倒智慧的中国人民,我们不客气地把那些127号之后的奇异符号们直接取消掉,并且规定:一个小于127的字符的意义与原来相同,但两个大于127的字符连在一起时,就表示一个汉字,前面的一个字节(他称之为高字节)从0xA1用到 0xF7,后面一个字节(低字节)从0xA1到0xFE,这样我们就可以组合出大约7000多个简体汉字了。在这些编码里,我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了,连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码,这就是常说的“全角”字符,而原来在127号以下的那些就叫“半角”字符了。

中国人民看到这样很不错,于是就把这种汉字方案叫做"GB2312"。GB2312 是对 ASCII 的中文扩展。

但是中国的汉字太多了,我们很快就就发现有许多人的人名没有办法在这里打出来,特别是某些很会麻烦别人的国家领导人(如朱镕基的“镕”字)。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。

后来还是不够用,于是干脆不再要求低字节一定是127号之后的内码,只要第一个字节是大于127就固定表示这是一个汉字的开始,不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准,GBK 包括了 GB2312 的所有内容,同时又增加了近20000个新的汉字(包括繁体字)和符号。

后来少数民族也要用电脑了,于是我们再扩展,又加了几千个新的少数民族的字,GBK 扩成了 GB18030。从此之后,中华民族的文化就可以在计算机时代中传承了。

中国的程序员们看到这一系列汉字编码的标准是好的,于是通称他们叫做 "DBCS"(Double Byte Charecter Set 双字节字符集)。在DBCS系列标准里,最大的特点是两字节长的汉字字符和一字节长的英文字符并存于同一套编码方案里,因此他们写的程序为了支持中文处理,必须要注意字串里的每一个字节的值,如果这个值是大于127的,那么就认为一个双字节字符集里的字符出现了。那时候凡是受过加持,会编程的计算机僧侣们都要每天念下面这个咒语数百遍:

“一个汉字算两个英文字符!一个汉字算两个英文字符……”

因为当时各个国家都像中国这样搞出一套自己的编码标准,结果互相之间谁也不懂谁的编码,谁也不支持别人的编码,连大陆和台湾这样只相隔了150海里,使用着同一种语言的兄弟地区,也分别采用了不同的 DBCS 编码方案——当时的中国人想让电脑显示汉字,就必须装上一个“汉字系统”,专门用来处理汉字的显示、输入的问题,但是那个台湾的愚昧封建人士写的算命程序就必须加装另一套支持 BIG5 编码的什么“倚天汉字系统”才可以用,装错了字符系统,显示就会乱了套!这怎么办?而且世界民族之林中还有那些一时用不上电脑的穷苦人民,他们的文字又怎么办?

真是计算机的巴比伦塔命题啊!

正在这时,大天使加百列及时出现了——一个叫 ISO (国际标谁化组织)的国际组织决定着手解决这个问题。他们采用的方法很简单:废了所有的地区性编码方案,重新搞一个包括了地球上所有文化、所有字母和符号的编码!他们打算叫它"Universal Multiple-Octet Coded Character Set",简称 UCS, 俗称 "UNICODE"。

UNICODE 开始制订时,计算机的存储器容量极大地发展了,空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节,也就是16位来统一表示所有的字符,对于ascii里的那些"半角"字符,UNICODE 包持其原编码不变,只是将其长度由原来的8位扩展为16位,而其他文化和语言的字符则全部重新统一编码。由于“半角”英文符号只需要用到低8位,所以其高 8位永远是0,因此这种大气的方案在保存英文文本时会多浪费一倍的空间。

这时候,从旧社会里走过来的程序员开始发现一个奇怪的现象:他们的strlen函数靠不住了,一个汉字不再是相当于两个字符了,而是一个!是 的,从 UNICODE 开始,无论是半角的英文字母,还是全角的汉字,它们都是统一的“一个字符”!同时,也都是统一的“两个字节”,请注意“字符”和“字节”两个术语的不同,“字节”是一个8位的物理存贮单元,而“字符”则是一个文化相关的符号。在UNICODE 中,一个字符就是两个字节。一个汉字算两个英文字符的时代已经快过去了。

从前多种字符集存在时,那些做多语言软件的公司遇上过很大麻烦,他们为了在不同的国家销售同一套软件,就不得不在区域化软件时也加持那个双字节字符集咒语,不仅要处处小心不要搞错,还要把软件中的文字在不同的字符集中转来转去。UNICODE 对于他们来说是一个很好的一揽子解决方案,于是从 Windows NT 开始,MS 趁机把它们的操作系统改了一遍,把所有的核心代码都改成了用 UNICODE 方式工作的版本,从这时开始,WINDOWS 系统终于无需要加装各种本土语言系统,就可以显示全世界上所有文化的字符了。

但是,UNICODE 在制订时没有考虑与任何一种现有的编码方案保持兼容,这使得 GBK 与UNICODE 在汉字的内码编排上完全是不一样的,没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换,这种转换必须通过查表来进行。

如前所述,UNICODE 是用两个字节来表示为一个字符,他总共可以组合出65535不同的字符,这大概已经可以覆盖世界上所有文化的符号。如果还不够也没有关系,ISO已经准备了UCS-4方案,说简单了就是四个字节来表示一个字符,这样我们就可以组合出21亿个不同的字符出来(最高位有其他用途),这大概可以用到银河联邦成立那一天吧!

UNICODE 来到时,一起到来的还有计算机网络的兴起,UNICODE 如何在网络上传输也是一个必须考虑的问题,于是面向传输的众多 UTF(UCS Transfer Format)标准出现了,顾名思义,UTF8就是每次8个位传输数据,而UTF16就是每次16个位,只不过为了传输时的可靠性,从UNICODE到 UTF时并不是直接的对应,而是要过一些算法和规则来转换。

受到过网络编程加持的计算机僧侣们都知道,在网络里传递信息时有一个很重要的问题,就是对于数据高低位的解读方式,一些计算机是采用低位先发送的方法,例如我们PC机采用的 INTEL 架构;而另一些是采用高位先发送的方式。在网络中交换数据时,为了核对双方对于高低位的认识是否是一致的,采用了一种很简便的方法,就是在文本流的开始时向对方发送一个标志符——如果之后的文本是高位在位,那就发送"FEFF",反之,则发送"FFFE"。不信你可以用二进制方式打开一个UTF-X格式的文件,看看开头两个字节是不是这两个字节?

讲到这里,我们再顺便说说一个很著名的奇怪现象:当你在 windows 的记事本里新建一个文件,输入“联通”两个字之后,保存,关闭,然后再次打开,你会发现这两个字已经消失了,代之的是几个乱码!呵呵,有人说这就是联通之所以拼不过移动的原因。

其实这是因为GB2312编码与UTF8编码产生了编码冲撞的原因。

当一个软件打开一个文本时,它要做的第一件事是决定这个文本究竟是使用哪种字符集的哪种编码保存的。软件一般采用三种方式来决定文本的字符集和编码:

检测文件头标识,提示用户选择,根据一定的规则猜测。

最标准的途径是检测文本最开头的几个字节,开头字节 Charset/encoding,如下所示:

 

EF BB BF UTF-8

FF FE UTF-16/UCS-2, little endian

FE FF UTF-16/UCS-2, big endian

FF FE 00 00 UTF-32/UCS-4, little endian.

00 00 FE FF UTF-32/UCS-4, big-endian.

 

当你新建一个文本文件时,记事本的编码默认是ANSI(代表系统默认编码,在中文系统中一般是GB系列编码),如果你在ANSI的编码输入汉字,那么他实际就是GB系列的编码方式,在这种编码下,“联通”的内码是:

 

c1 1100 0001

aa 1010 1010

cd 1100 1101

a8 1010 1000

 

 

注意到了吗?第一二个字节、第三四个字节的起始部分的都是"110"和"10",正好与UTF8规则里的两字节模板是一致的,

于是当我们再次打开记事本时,记事本就误认为这是一个UTF8编码的文件,让我们把第一个字节的110和第二个字节的10去掉,我们就得到了"00001 101010",再把各位对齐,补上前导的0,就得到了"0000 0000 0110 1010",不好意思,这是UNICODE的006A,也就是小写的字母"j",而之后的两字节用UTF8解码之后是0368,这个字符什么也不是。这就是只有"联通"两个字的文件没有办法在记事本里正常显示的原因。

而如果你在“联通”之后多输入几个字,其他的字的编码不见得又恰好是110和10开始的字节,这样再次打开时,记事本就不会坚持这是一个utf8编码的文件,而会用ANSI的方式解读之,这时乱码又不出现了。

2 Python2.x中的编码问题

2.1 str和unicode

str和unicode都是basestring的子类。严格意义上说,str其实是字节串,它是unicode经过编码后的字节组成的序列。对UTF-8编码的str‘汉‘使用len()函数时,结果是3,因为实际上,UTF-8编码的‘汉‘ == ‘\xE6\xB1\x89‘。

unicode才是真正意义上的字符串,对字节串str使用正确的字符编码进行解码后获得,并且len(u‘汉‘) == 1。

再来看看encode()和decode()两个basestring的实例方法,理解了str和unicode的区别后,这两个方法就不会再混淆了:

 

# coding: utf-8

u = u‘汉‘print repr(u) # u‘\u6c49‘

s = u.encode(‘UTF-8‘)

print repr(s) # ‘\xe6\xb1\x89‘

u2 = s.decode(‘UTF-8‘)

print repr(u2) # u‘\u6c49‘

# 对unicode进行解码是错误的

# s2 = u.decode(‘UTF-8‘)

# 同样,对str进行编码也是错误的

# u2 = s.encode(‘UTF-8‘)

 

需要注意的是,虽然对str调用encode()方法是错误的,但实际上Python不会抛出异常,而是返回另外一个相同内容但不同id的str;对unicode调用decode()方法也是这样。很不理解为什么不把encode()和decode()分别放在unicode和str中而是都放在basestring中,但既然已经这样了,我们就小心避免犯错吧。

一个好的办法就是抛弃str,全部使用unicode,这样可以减少很多不必要的错误。

 

2.2 字符编码声明

源代码文件中,如果有用到非ASCII字符,则需要在文件头部进行字符编码的声明,如下:

 

#-*- coding: UTF-8 -*-

 

实际上Python只检查#、coding和编码字符串,其他的字符都是为了美观加上的。另外,Python中可用的字符编码有很多,并且还有许多别名,还不区分大小写,比如UTF-8可以写成u8。具体参见参考文献[5]。

另外需要注意的是声明的编码必须与文件实际保存时用的编码一致,否则很大几率会出现代码解析异常。现在的IDE一般会自动处理这种情况,改变声明后同时换成声明的编码保存,但文本编辑器控们需要小心。

值得注意的是,字符编码申明除了指定程序文件编码类型和程序中定义的str的类型之外,1) 它既不能决定我们从文本读入的str类型,2) 也不能决定encode/decode函数中的指定默认编码。这两个问题,我们分别在下面两节进行详述。

 

2.3 读写文件

内置的open()方法打开文件时,read()读取的是str,读取后需要使用正确的编码格式进行decode()。write()写入时,如果参数是unicode,则需要使用你希望写入的编码进行encode(),如果是其他编码格式的str,则需要先用该str的编码进行decode(),转成unicode后再使用写入的编码进行encode()。如果直接将unicode作为参数传入write()方法,Python将先使用源代码文件声明defaultencoding字符编码进行编码然后写入,如不指定的话默认为ANSI。

说到这里,还得强调一下下面程序中s的类型是str,但它编码的类型还是文本中的gbk,所以还要去用gbk解码,而不能用代码申明的utf8去进行解码。

文本原来是什么编码,或者设置好了读入的编码,读到的str就是什么编码,与当前程序文件的字符编码声明没有直接关系。

 

# coding: UTF-8

f = open(‘test.txt‘)   # test.txtGBK编码

s = f.read()

f.close()

print type(s) # <type ‘str‘>

# 已知是GBK编码,解码成unicode

u = s.decode(‘GBK‘) # decode(‘UTF-8’),则会出错

f = open(‘test.txt‘, ‘w‘)

# 编码成UTF-8编码的str

s = u.encode(‘UTF-8‘)

f.write(s)

f.close()

 

另外,模块codecs提供了一个open()方法,可以指定一个编码打开文件,使用这个方法打开的文件读取返回的将是unicode。写入时,如果参数是unicode,则使用open()时指定的编码进行编码后写入;如果是str,则先根据源代码文件声明的字符编码,解码成unicode后再进行前述操作。相对内置的open()来说,这个方法比较不容易在编码上出现问题。

 

# coding: GBK

import codecs

f = codecs.open(‘test.txt‘, encoding=‘UTF-8‘)

u = f.read()

f.close()

print type(u) # <type ‘unicode‘>

f = codecs.open(‘test.txt‘, ‘a‘, encoding=‘UTF-8‘)

# 写入unicode

f.write(u)

# 写入str,自动进行解码编码操作

# GBK编码的str

s = ‘汉‘

print repr(s) # ‘\xba\xba‘

# 这里会先将GBK编码的str解码为unicode再编码为UTF-8写入

f.write(s)

f.close()

 

2.4 与编码相关的方法

sys/locale模块中提供了一些获取当前环境下的默认编码的方法。

sys.getdefaultencoding(): 获取系统当前编码,一般默认为ascii。

sys.setdefaultencoding(): 设置系统默认编码,执行dir(sys)时不会看到这个方法,在解释器中执行不通过,可以先执行reload(sys),在执行   setdefaultencoding(‘utf8‘),此时将系统默认编码设置为utf8。(见设置系统默认编码 )。

sys.getfilesystemencoding(): 获取文件系统使用编码方式,Windows下返回‘mbcs‘,mac下返回‘utf-8‘。返回的字符编码用于将Unicode文件名映射到底层操作系统使用的文件名。MBCS(Multi-Byte Chactacter System,即多字节字符系统)
它是编码的一种类型,而不是某个特定编码的名称。

在Python脚本中,使用print输出一个unicode字符串时,不会有什么问题。但是若把这个脚本的输出通过pipe送到另外一个程序的话,就会出错,这时只要用一下sys.getfilesystemencoding就能解决问题。

有如下代码示例:

 

  import sys
  if __name__ == ‘__main__‘:
  s = sys.stdin.read()
  # made s a unicode string 
  s = s.decode(‘gbk‘)
  print s

 

直接运行以上代码没有任何问题,但如果我们结果输出通过pipe送给别的程序时,就会出错,这时我们只需要将最后一行代码改为:

 

  print s.encode(sys.getfilesystemencoding())

 

Locale.getpreferredencoding()返回用户设定的文本数据编码。由于用户设定的编码在不同系统中是不同的,在一些系统中可能是不可用的编程方式,所以这个函数可能返回一个猜测。

上述四个函数在我的电脑上的实验结果如下:

 

  >>> import sys

  >>> import locale

  >>> sys.getdefaultencoding()

  ‘ascii‘

  >>> sys.getfilesystemencoding()

  ‘mbcs‘

  >>> locale.getdefaultlocale()

  (‘zh_CN‘, ‘cp936‘)

  >>> locale.getpreferredencoding()

  ‘cp936‘

 

关于 sys.defaultencoding,这个在encode/decode没有明确指明编码方式的时候使用 [1]。

 

import sys

reload(sys)

sys.setdefaultencoding(‘utf-8‘)

 

比如我有如下代码: 

 

#! /usr/bin/env python 

# -*- coding: utf-8 -*- 

s = ‘中文‘  # 注意这里的 str 是 str 类型的,而不是 unicode 

s.encode(‘gb18030‘) 

 

这句代码将 s 重新编码为 gb18030 的格式,即进行 unicode -> str 的转换。因为 s 本身就是 str 类型的,因此 Python 会自动的先将 s 解码为 unicode ,然后再编码成 gb18030。因为解码是python自动进行的,我们没有指明解码方式,python 就会使用 sys.defaultencoding 指明的方式来解码。很多情况下 sys.defaultencoding 是 ANSCII,如果 s 不是这个类型就会出错。拿上面的情况来说,我的sys.defaultencoding 是 anscii,而 s 的编码方式和文件的编码方式一致,是 utf8 的,所以出错了:

 

UnicodeDecodeError: ‘ascii‘ codec can‘t decode byte 0xe4 in position

0: ordinal not in range(128) 

 

对于这种情况,我们有两种方法来改正错误。一是明确的指示出 s 的编码方式 :

 

#! /usr/bin/env python

# -*- coding: utf-8 -*-

s = ‘中文‘

s.decode(‘utf-8‘).encode(‘gb18030‘) 

 

二是更改 sys.defaultencoding 为文件的编码方式 :

 

# -*- coding: utf-8 -*- 

import sys

reload(sys) # Python2.5 初始化后会删sys.setdefaultencoding 这个方法,我们需要重新载入 

sys.setdefaultencoding(‘utf-8‘) 

str = ‘中文‘

str.encode(‘gb18030‘)

 

这样就成功通过:

 

print"<p>addr:",form["addr"].value.decode(‘gb2312‘).encode(‘utf-8‘)

上述问题之所以这样写考虑主要有下面三种情况:

(1) 当取回来的数据与你当前脚本中声明的编码不一致时就要做编码转换。

(2) 在编码转换时首先要将该数据以自身编码的格式换成unicode码,再将这个unicode按utf8编码。

(3) 浏览器会传回gb2312的编码数据到服务器,这应该和客户端的系统编码有关系。

不过还有一点值得我们注意,和上面的申明编码类似,它也不能改变从文本中读入的str类型。

其实我们可以在编码和解码的时候明确指明方式,就不需要用系统默认的方式,也就可以从一定程度上避免这种情况的发生。

2.5 常见问题及解决方法

如果编码不一致的情况,那么就会出现一些常见的编码解码方面的错误了。

常见的编码转换错误有:

(1) 程序编解码错位

你python文件本身是以GBK的方式保存的,代码中对应的字符串也是GBK的,然后你指定用UTF-8将该字符串解码为对应的Unicode,那么当然会导致人家Python解析器按照UTF-8编码的方式去解析你的实际上是GBK的字符,当然会出错无法解析了。

具体的解决办法是在我们要解码之前,用 isinstance()函数查看当前文件的编码方式。代码示例如下图所示:

 

  s="你好“

  isinstance(s,"gbk")

  

如果字符串是gbk的话就会返回TRUE,否则返回FALSE。所以当我们不确定我们要处理的文本是什么编码之前,可以先测试一下编码的方式,不能凭猜测就进行解码。

(2) 控制台输出乱码问题

1) 你所要打印的字符本身是UTF-8的,但是要打印输出的终端是windows的cmd,其默认编码为GBK。这是如归你将UTF-8的字符显示到GBK编码的cmd中,当然也会出现错误了。

这种情况下如果我们还想要在终端打印我们所要打印的字符,就必须先把打印的字符转换为cmd的默认编码GBK。

2) 你所要打印出来的字符虽然是unicode,但是其中包含了某些特殊字符,这些特殊的字符在终端所用的编码中不存在,比如将含某些特殊字符的Unicode字符串,打印到windows的默认编码为GBK的cmd中,而GBK编码集合中本身就没有这些字符,所以当然也是无法显示,会出现对应的UnicodeEncodeError的错误的。

3) 另外从具体的编码(ISO-8859-1[ASCII码],utf-8,utf-16,GBK,GB2312等)转换为unicode,直接使用unicode(s, charset)或者s.decode(charset),其中charset为s的编码。

 

  #将任意字符串转换为unicode  

  def to_unicode(s, encoding):  

  if isinstance(s, unicode):  

      return s  

  else:  

      return unicode(s, encoding)

 

同时,要注意unicode在使用decode()时会有出错的可能。当我们decode()的时候,如果遇到非法字符(比如不标准的全角空格\xa3\xa0,或者\xa4\x57)就会报错,而真正的全角空格是\xa1\xa1。

这时候我们可以采用‘ignore‘模式,即:str.decode(‘...‘, ‘ignore‘).encode(‘utf-8‘)。
decode的函数原型是decode([encoding],[errors=‘strict‘]),可以用第二个参数控制错误处理的策略。默认的参数就是strict,代表遇到非法字符时抛出异常;如果设置为ignore,则会忽略非法字符;如果设置为replace,则会用你想替换的东西取代非法字符;如果设置为xmlcharrefreplace,则使用XML的字符引用。

(3) 文件IO的编码问题

当我们进行文件IO操作时,如果代码的编码方式和文件的编码方式不一致时,可能会出现编码错误。主要分为如下几种情况:

1) 程序运行之前没有统一两者之间的编码,直接运行程序。

每当我们要进行文件IO的时候,我们一定要看清两者之间的编码方式。如果两者代码一致的话,我们可以直接进行处理;但是不一致的话,我们就选一种统一的方式进行编码,然后进行编码转换。

2) 当我们要对gbk文本进行转码处理的时候,但是用gbk去转码还是会出错。

虽然我们处理的字符的确是gbk的,但是其中夹杂的部分特殊字符是gbk编码中所没有的 。
    其中如果有些特殊字符是GB18030中有的,但是是gbk中没有的。 这时我们用gbk去解码,并且用ignore去掉所不支持的字符还是会出错。 此种情况,可以尝试用和当前编码(gbk)所兼容的但所包含字符更多的编码(gb18030)去解码,或许就可以了。

但还有的时候上述方法没有用,可能当时保存文本的时候就有一些不能识别的乱码字符。我遇到一个类似问题,当我的编码和文档都是gbk时,分句完出现部分乱码,而开始文本里面是没有乱码的。我试着用文本用转换器都转化为utf8,然后代码也用utf8进行编码,乱码问题是解决了。考虑是当时将数据保存为gbk格式的时候,内容中可能有utf8字符。这部分字符在转码的过程中以gbk进行转码当然不能成功,必然会出现乱码。

另外,有的时候确实有特殊字符在文本中显示的时候就是乱码,在处理之前可以把它替换掉。当然前提我们得知道你那个特定的字符,这种情况我遇到过一回。

3) 使用Python写文件的时候,或者将网络数据流写入到本地文件出错。

这种情况下大部分情况都会出现UnicodeEncodeError: ‘gbk‘ codec can‘t encode character ‘\xa0‘ in position ...。看起来是encode或者decode问题,但其根本问题却不一定如此。

在我们使用了decode和encode,试遍了各种编码,utf8,utf-8,gbk,gb2312等等,该有的编码都试遍了,可是编译的时候仍然出现这种问题。这时候我们就可以排除是上面几种情况出现的问题,这时候就要想还可能出现什么问题。

将网络数据流写入本地文件时,目标文件的编码可能是导致出现该问题的罪魁祸首。

如果我们打开一个文件:

 

  f = open("new.txt","w")  


    在windows下面,新文件的默认编码是gbk,这样的话,python解释器会用gbk编码去解析我们的网络数据流,然而如果数据流此时已经是decode过的unicode编码,这样的话就会导致解析不了,出现上述问题。 解决的办法就是,改变目标文件的编码:

 

  f = open("new.txt","w",encoding=‘utf-8‘)  

 

    按照上述这样做,问题将不复存在。

(4) BOM问题

UTF-8 BOM又叫UTF-8 签名,其实UTF-8 的BOM对UFT-8没有作用,是为了支持UTF-16,UTF-32才加上的。如果utf8文本有bom的话,就是文本开头的三个字节。

BOM签名的意思就是告诉编辑器当前文件采用何种编码,方便编辑器识别,但是BOM虽然在编辑器中不显示,但是会产生输出,就像多了一个空行。

当我们想要处理既有gbk格式又有utf8格式的一些文本都转换为gbk的时候,我们可以一个个通过文本转换器进行转换。但如果我们通过代码的编码转换来进行转换的时候,就会出问题。

首先我先试着转换了一下无bom格式的utf8文本,通过代码转换文本格式再保存的另外一个文件中,保存为gbk格式。

具体代码实现如下:

 

  import codecs

  f = open("neg.0.txt", "r");

  data = f.read();

  print repr(data)

  print data.decode("utf-8").encode("gbk")

  f.close();

 

在这种无BOM格式的文本转换中,该程序能运行成功。但如果转换的是有BOM格式的utf8文本的话,就会出错。

因此当我们进行类似的文本转换的时候,要将该情况考虑进去。可以考虑在进行编码转换的时候将这几个字符去除,尽量避免出现类似的情况。在上述代码中的第三行后面加入下面的代码既可以避免BOM的影响:

 

  if data[:3] == codecs.BOM_UTF8:

  data = data[3:]

参考文献

[1] 为什么有时候必须添加sys.setdefaultencoding(‘utf-8‘)

[2] 字符编解码的故事(ASCII,ANSI,Unicode,Utf-8区别)

[3] Python字符编码详解 

[4] Python 2.x中常见字符编码和解码方面的错误及其解决办法

[5] http://docs.python.org/library/codecs.html#standard-encodings

Python编码问题

标签:

原文地址:http://www.cnblogs.com/Zcpan/p/4725570.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!