1、cmd编码:936
2、源代码保存编码:utf8
3、编码声明:gbk
#-*-coding:gbk-*-
str1 = '人生苦短'
print '#' + str1
print [str1]
print '#' + str1.decode("utf8").encode("gbk")
print [str1.decode("utf8").encode("gbk")]
“人生苦短”的utf8编码:['\xe4\xba\xba\xe7\x94\x9f\xe8\x8b\xa6\xe7\x9f\xad']
“人生苦短”的gbk编码:['\xc8\xcb\xc9\xfa\xbf\xe0\xb6\xcc']
这说明,编码格式的声明要比实际存储的编码格式优先级低,python调用的时候,
当然必须按照实际存储的utf8格式来进行解码,如果用gbk解码必然报错。
那么一段字节序列,实际用的是那种编码呢?
最直接的想法是,对其进行特征码的检验。
这个就要用到一个检测编码格式的库“chardet”
代码:
#-*-coding:gbk-*-
import chardet
str1 = '人生苦短'
print "==========================="
print chardet.detect(str1)
detect给出的是一个用置信度表示的结果。str1作为编码格式测试的样本,其内容具有本编码的特征多,得出的置信度越高。
===========================
{'confidence': 0.938125, 'language': '', 'encoding': 'utf-8'}