此前我一直在写一些简单的计算程序,很少需要处理中文,因此除了少量注释,绝大多数都是在用英文,因此虽然知道 Python 有编码这个坑,也一直只知道在文件开头放个 coding=utf-8 而已。而最近写一些处理文本的小程序,终于遇到了它。一番 Google 和小试验之后,总算大致摸清了规律。
最简单的,如果运行下面的程序(Windows的命令行中):
a = '中文'
print a
显示出来的大概是:「涓枃」,也就是传说中的乱码了。正确的做法是在单引号前加一个小写的u,表明是 unicode 编码的。问题似乎解决了?
运行下面的代码时问题又来了:
a = raw_input(u'中文')
print a
还是报错,解决的办法(之一)是显式是指定一个字符串的编码方式,即raw_input('中文’.encode('mbcs')。
再有一个问题是,如果中文字符串已经在某个变量中,存储过程没有指定 Unicode 怎么办?也很简单:
a = '中文'
print a.decode('utf-8')