python 中文编码问题

相信中文乱码一直是中国程序员苦逼的事，最近本人就被折腾了一下。
首先编码就是将字符使用计算机形式表示，也就是字节或字节串。ASCII采用单字节，最多也就256种可能字符，UTF-8采用多字节，中文占三个字节，GB2312使用两个字节。

在python内部的统一编码是unicode编码。当我们处理不同编码字符串时就需要进行相互间的转换，而unicode就是一个中间码。如UTF-8先转成Unicode（decode）再转成GB2312（encode）。

先生成一个unicode字符串：

>>> a=u'计算机'
>>> print(type(a))
<type 'unicode'>

可以编码成不同格式：

>>> a.encode("utf8")
'\xe8\xae\xa1\xe7\xae\x97\xe6\x9c\xba'
>>> a.encode("gb2312")
'\xbc\xc6\xcb\xe3\xbb\xfa'
>>> a.encode("gb2312").decode("gb2312")
u'\u8ba1\u7b97\u673a'
>>> print(type(a.encode("gb2312")))
<type 'str'>

因为python是解释语言，在实际编程时，还要涉及源文件的编码格式。
在test.py中输入下面的代码，运行：

a="计算机"
print(type(a))
print(type(a.decode("utf8"))
print(type(a.decode("gb2312"))

这时会抱错，因为python默认使用ASCII对源文件编码

[cos@localhost git]$ python test.py
  File "test.py", line 1
SyntaxError: Non-ASCII character '\xbc' in file test.py on line 1, but no encoding declared; see http://www.python.org/peps/pep-0263.html for details

这时可以在源文件中加上编码指令，如UTF-8:

# -*- coding:utf8 -*-
a="计算机"
print(type(a))
print(type(a.decode("utf8"))
print(type(a.decode("gb2312"))

[cos@localhost git]$ python ./test.py
<type 'str'>
<type 'unicode'>
Traceback (most recent call last):
  File "./test.py", line 5, in <module>
    print(type(a.decode("gb2312")))
UnicodeDecodeError: 'gb2312' codec can't decode bytes in position 4-5: illegal multibyte sequence

对于文件的输入输出，可以使用codecs进行解码，下面是对gb2312编码文件的输出，解码之后都是unicode格式

>>> import codecs
>>> f=codecs.open('testout.txt',encoding='gb2312')
>>> a=f.readline()
>>> print(type(a))
<type 'unicode'>
>>> print(a)
　　老王负责管理村广播站。