python中编码解码--codecs模块

    python中codecs模块定义了一个标准python编解码器，能够很好的处理多国语言；其中比较常用的是lookup、open等函数。

   在处理编码的时候，如果希望由一种编码转换为另一种编码，则需要中间转换为python的内部编码即unicode，即

    原有编码---decode-->python内部编码(unicode)---encode-->目的编码

     python的内部是使用unicode来处理的，但是unicode的使用需要考虑的是它的编码格式有两种，一是UCS-2，它一共有65536个码位，另一种是UCS-4，它有2147483648g个码位。对于这两种格式，python都是支持的，这个是在编译时通过--enable-unicode=ucs2或--enable-unicode=ucs4来指定的。那么我们自己默认安装的python有的什么编码怎么来确定呢？有一个办法，就是通过sys.maxunicode的值来判断： 

import sys
print sys.maxunicode

    如果输出的值为65535,那么就是UCS-2,如果输出是1114111就是UCS-4编码。
我们要认识到一点：当一个字符串转换为内部编码后，它就不是str类型了！它是unicode类型：

 #-*- encoding: gb2312 -*-

 a = "风卷残云"
print  "type of a ---", type(a)
b  =  a.unicode(a,  "gb2 312 " )
print  "type of b ---", type(b)

输出：

type of a ---<type 'str'>
type of b --- <type 'unicode'>

这样b可以转换为任意编码，比如转换为utf-8，如下

c  =  b.encode( " utf-8 " )
print  c

这种情况下，c输入会是乱码，这是正常的。因为默认编码为gb2312

当然也可以直接定义为unicode编码，然后转换为需要的编码，如下：

aa = u"你好"

print "type of a ---", type(aa)
b = aa.encode("utf-8")
print "type of b ---", type(b)

输出：

type of a --- <type 'unicode'>
type of b --- <type 'str'>

# -*- encoding: utf-8 -*-
import  codecs, sys

print   ' - ' * 60
#  创建utf-8编码器
look   =  codecs.lookup( " utf-8 ")

a  =   " 我爱北京天安门 "

print  len(a), a
#  解码为内部的unicode
b  =  look.decode(a)
#  返回的b[0]是数据，b[1]是长度，这个时候的类型是unicode了
print  b[ 1 ], b[0], type(b[0])
#  把内部编码的unicode转换为gb2312编码的字符串，encode方法会返回一个字符串类型
b2  =  look.encode(b[0])
#  发现不一样的地方了吧？转换回来之后，字符串长度由21变为了7! 现在的返回的长度才是真正的字数，原来的是字节数
print  b2[ 1 ], b2[0], type(b2[0])
#  虽然上面返回了字数，但并不意味着用len求b2[0]的长度就是7了，仍然还是21，仅仅是codecs.encode会统计字数
print  len(b2[0])

输入如下：

------------------------------------------------------------
21 我爱北京天安门
21 我爱北京天安门 <type 'unicode'>
7 我爱北京天安门 <type 'str'>
21

    上面的代码就是codecs的使用，是最常见的用法。另外还有一个问题就是，如果我们处理的文件里的字符编码是其他类型的呢？这个读取进行做处理也需要特殊的处理的。codecs也提供了方法.

# -*- encoding: utf-8 -*-
import  codecs, sys

#  用codecs提供的open方法来指定打开的文件的语言编码，它会在读取的时候自动转换为内部unicode
bfile  =  codecs.open( "c:\\1 .txt " ,  ' r ' ,  " big5 " )

ss  =  bfile.read()
bfile.close()
#  输出，这个时候看到的就是转换后的结果。如果使用语言内建的open函数来打开文件，这里看到的必定是乱码
print  ss, type(ss)

import os
ff = open("c:\\1.txt", "r")
print ff.read(), type(ff.read())

输入如下：

你好，世界 <type 'unicode'>
�A�n�A�@�� <type 'str'>

  原文件内容为：“你好，世界”，可以看到，通过big5方式打开，转换为unicode后可以正常显示，但是直接打开会显示乱码。

   可以自己创建一个big5编码的文件试试，通过notepad++新建big5格式文件即可。

本文转载自http://blog.csdn.net/zhaoweikid/article/details/1642015，由于环境不同，其中有部分改动。