python utf编码 查询_python的编码判断_unicode_gbk/gb2312_utf8（附函数）

python中， 我们平常使用最多的三种编码为 gbk/gb2312,  utf8 ,  unicode。 而python中并没有一个函数来进行 编码的判断。今天，主要对这三种编码进行讨论，并给出区分这三种编码的函数。

我们知道，

unicode编码是1位       gbk，gb2312是2位       utf-8是3位

所以，若只有一个汉字，我们可以通过 长度来判断：

len(u'啊') == 1 #True

len(u'啊'.encode("gbk"))  == 2 #True

len(u'啊'.encdoe("utf-8")) == 3 #True

但是实际中，往往是一句话，包含好多汉字。于是，我们做如下实验：

1，u'啊'.encode("gbk")[0].decode("gbk") 将会提示错误  UnicodeDecodeError: 'gbk' codec can't decode byte 0xb0 in position 0: incomplete multibyte sequence

2，u'啊'.encode('utf8')[0].decode("utf8") 将会提示错误 UnicodeDecodeError: 'utf8' codec can't decode byte 0xe5 in position 0: unexpected end of data

3，u'啊'.encode('gbk')[0].decode('utf8')  将会提示错误 UnicodeDecodeError: 'utf8' codec can't decode byte 0xb0 in position 0: invalid start byte

4，u'啊'.encode('utf8')[0].decode('gbk')  将会提示错误 UnicodeDecodeError: 'gbk' codec can't decode byte 0xe5 in position 0: incomplete multibyte sequence

5，u'啊'.decode('utf8')       将会提示错误           UnicodeEncodeError: 'ascii' codec can't encode character u'\u554a' in position 0: ordinal not in range(128)

6，u'啊'.decode('gbk')      将会提示错误           UnicodeEncodeError: 'ascii' codec can't encode character u'\u554a' in position 0: ordinal not in range(128)

由以上可以看出，提示错误若出现 ascii，则该句编码位 ascii 无疑，从2，3可以看出 .decode("utf8")可以区分出不同的编码： unexpected end of data 表示 该句为 utf8编码， 而 invalid start byte 则表示 该句为gbk编码或者gb2312编码。

综上，可以编写如下函数来进行编码判断：(python27)

#! -*-encoding:utf8 -*-

defwhichEncode(text):

text0=text[0]try:

text0.decode('utf8')exceptException, e:if "unexpected end of data" instr(e):return "utf8"elif "invalid start byte" instr(e):return "gbk_gb2312"elif "ascii" instr(e):return "Unicode"

return "utf8"

if __name__ == "__main__":print(whichEncode(u"啊".encode("gbk")))print(whichEncode(u"啊".encode("utf8")))print(whichEncode(u"啊"))

在网上看到另一种方法，感觉也不错，from: https://my.oschina.net/sanpeterguo/blog/209134,,,,from_from:http://my.oschina.net/u/993130/blog/199214

defgetCoding(strInput):'''获取编码格式'''

ifisinstance(strInput, unicode):return "unicode"

try:

strInput.decode("utf8")return 'utf8'

except:pass

try:

strInput.decode("gbk")return 'gbk'

except:pass

deftran2UTF8(strInput):'''转化为utf8格式'''strCodingFmt=getCoding(strInput)if strCodingFmt == "utf8":returnstrInputelif strCodingFmt == "unicode":return strInput.encode("utf8")elif strCodingFmt == "gbk":return strInput.decode("gbk").encode("utf8")deftran2GBK(strInput):'''转化为gbk格式'''strCodingFmt=getCoding(strInput)if strCodingFmt == "gbk":returnstrInputelif strCodingFmt == "unicode":return strInput.encode("gbk")elif strCodingFmt == "utf8":return strInput.decode("utf8").encode("gbk")