Python-中文编码

编码

以’哈’来解释作示例解释所有的问题，“哈”的各种编码如下：
1. UNICODE (UTF8-16)，C854；
2． UTF-8，E59388；
3． GBK，B9FE。

python中的中文编码就是一个极为头大的问题，经常抛出编码转换的异常，python中的str和unicode到底是一个什么东西呢？

• 在python中提到unicode，一般指的是unicode对象，例如’哈哈’的unicode对象为
  u’\u54c8\u54c8’
• 而str，是一个字节数组，这个字节数组表示的是对unicode对象编码(可以是utf-8、gbk、cp936、GB2312)后的存储的格式。这里它仅仅是一个字节流，没有其它的含义，如果你想使这个字节流显示的内容有意义，就必须用正确的编码格式，解码显示。

对于unicode对象哈哈进行编码，编码成一个utf-8编码的str－s_utf8,s_utf8就是是一个字节数组，存放的就是’\xe5\x93\x88\xe5\x93\x88’，但是这仅仅是一个字节数组，如果你想将它通过print语句输出成哈哈，那你就失望了，为什么呢？

因为print语句它的实现是将要输出的内容传送了操作系统，操作系统会根据系统的编码对输入的字节流进行编码，这就解释了为什么utf-8格式的字符串“哈哈”，输出的是“鍝堝搱”，因为 ‘\xe5\x93\x88\xe5\x93\x88’用GB2312去解释，其显示的出来就是“鍝堝搱”。这里再强调一下，str记录的是字节数组，只是某种编码的存储格式，至于输出到文件或是打印出来是什么格式，完全取决于其解码的编码将它解码成什么样子。

encode()和decode()

• encode()的作用是将Unicode编码的字符串转换为其他编码格式。

例如： st1.encode(“utf-8”) 这句话的作用是将Unicode编码的st1编码为utf-8编码的字符串

• decode()的作用是把其他编码格式的字符串转换成Unicode编码的字符串。

例如： st2.decode(“utf-8”) 这句话的作用是将utf-8编码的字符串st2解码为Unicode编码的字符串

字符串编码格式互相转换

除Unicode编码的字符串以外，任何一种编码的字符串要想转换为其他编码格式，必须先解码后编码

非Unicode编码–> Unicode编码–>非Unicode编码

例如，utf-8编码的字符串st想要转换为gbk编码的字符串，必须经过以下步骤：
st=st.decode(“utf-8”) #解码为Unicode编码
st=st.encode(“gbk”) #从Unicode编码编码为gbk编码

将GBK’哈哈’转换成unicode，然后再转换成UTF8

Setdefaultencoding

如上图的演示代码所示：
当把s(gbk字符串)直接编码成utf-8的时候，将抛出异常，但是通过调用如下代码：

import sys
reload(sys)
sys.setdefaultencoding('gbk')

之后就可以转换成功，为什么呢？

• 在python中str和unicode在编码和解码过程中，如果将一个str直接编码成另一种编码，会先把str解码成unicode，采用的编码为默认编码，一般默认编码是anscii，所以在上面示例代码中第一次转换的时候会出错，当设定当前默认编码为’gbk’后，就不会出错了。
• 至于reload(sys)是因为Python2.5 初始化后会删除 sys.setdefaultencoding 这个方法，我们需要重新载入。

操作文件编码格式不同的文件

建立一个文件test.txt，文件格式用ANSI，内容为:
abc中文
用python来读取

#coding=gbk
print open("Test.txt").read()

结果：abc中文
把文件格式改成UTF-8：
结果：abc涓枃
显然，这里需要解码：

# coding=gbk
import codecs
print open("Test.txt").read().decode("utf-8")

结果：abc中文

utf-8编码分为有BOM和无BOM

上面的test.txt我是用Editplus来编辑的，但当我用Windows自带的记事本编辑并存成UTF-8格式时，
运行时报错：
Traceback (most recent call last):
File “ChineseTest.py”, line 3, in
print open(“Test.txt”).read().decode(“utf-8”)
UnicodeEncodeError: ‘gbk’ codec can’t encode character u’\ufeff’ in position 0: illegal multibyte sequence
原来，某些软件，如notepad，在保存一个以UTF-8编码的文件时，会在文件开始的地方插入三个不可见的字符（0xEF 0xBB 0xBF，即BOM）。
因此我们在读取时需要自己去掉这些字符，python中的codecs module定义了这个常量：

#coding=gbk
import codecs
data = open("Test.txt").read()
if data[:3] == codecs.BOM_UTF8:
    data = data[3:]
print data.decode("utf-8")

结果：abc中文

文件的编码格式和编码声明的作用

文件的编码格式对字符串的声明有什么作用呢？
文件的编码格式决定了在该源文件中声明的字符串的编码格式，例如：
str = ‘哈哈’
print repr(str)
a. 如果文件格式为utf-8，则str的值为：’\xe5\x93\x88\xe5\x93\x88’（哈哈的utf-8编码）
b. 如果文件格式为gbk，则str的值为：’\xb9\xfe\xb9\xfe’（哈哈的gbk编码）

在第一节已经说过，python中的字符串，只是一个字节数组，所以当把a情况的str输出到gbk编码的控制台时，就将显示为乱码：鍝堝搱；而当把b情况下的str输出utf-8编码的控制台时，也将显示乱码的问题，是什么也没有，也许’\xb9\xfe\xb9\xfe’用utf-8解码显示，就是空白吧。
说完文件格式，现在来谈谈编码声明的作用吧，每个文件在最上面的地方，都会用# coding=gbk 类似的语句声明一下编码，但是这个声明到底有什么用呢？到止前为止，我觉得它的作用也就是三个：

1. 声明源文件中将出现非ascii编码，通常也就是中文；
2. 在高级的IDE中，IDE会将你的文件格式保存成你指定编码格式。
3. 决定源码中类似于u’哈’这类声明的将‘哈’解码成unicode所用的编码格式，也是一个比较容易让人迷惑的地方，看示例：

#coding:gbk
ss = u'哈哈'
print repr(ss)
print 'ss:%s' % ss

将这个些代码保存成一个utf-8文本，运行，你认为会输出什么呢？大家第一感觉肯定输出的肯定是：

u’\u54c8\u54c8’
ss:哈哈

但是实际上输出是：

u’\u935d\u581d\u6431’
ss:鍝堝搱

为什么会这样，这时候，就是编码声明在作怪了，在运行ss = u’哈哈’的时候，整个过程可以分为以下几步：
1) 获取’哈哈’的编码：由文件编码格式确定，为’\xe5\x93\x88\xe5\x93\x88’（哈哈的utf-8编码形式）
2) 转成 unicode编码的时候，在这个转换的过程中，对于’\xe5\x93\x88\xe5\x93\x88’的解码，不是用utf-8解码，而是用声明编码处指定的编码GBK，将’\xe5\x93\x88\xe5\x93\x88’按GBK解码，得到就是”鍝堝搱”，这三个字的unicode编码就是u’\u935d\u581d\u6431’，至止可以解释为什么print repr(ss)输出的是u’\u935d\u581d\u6431’ 了。
好了，这里有点绕，我们来分析下一个示例：

#-*- coding:utf-8 -*-
ss = u'哈哈'
print repr(ss)
print 'ss:%s' % ss

将这个示例这次保存成GBK编码形式，运行结果，竟然是：
UnicodeDecodeError: ‘utf8’ codec can’t decode byte 0xb9 in position 0: unexpected code byte
这里为什么会有utf8解码错误呢？想想上个示例也明白了，转换第一步，因为文件编码是GBK，得到的是’哈哈’编码是GBK的编码’\xb9\xfe\xb9\xfe’，当进行第二步，转换成 unicode的时候，会用UTF8对’\xb9\xfe\xb9\xfe’进行解码，而大家查utf-8的编码表会发现，utf8编码表（关于UTF- 8解释可参见字符编码笔记：ASCII、UTF-8、UNICODE）中根本不存在，所以会报上述错误。

json文件的中文编码

用Python读取Json文件时经常用到json.load()函数，该函数对json文件的格式是有要求的

1. json文件是utf-8 without BOM编码的,那么可以直接用json.load(filename)函数读取json文件的内容
2. json文件是utf-8 with BOM编码的，不能用json.load()函数读取，json.load()不能正确识别
3. json文件时其他编码的，比如gbk, 要把json文件的编码格式作为一个参数传给json.load()：
   eg. json.load(filename,”gbk”)

使用python的chardet库获得文件编码

首先需要安装chardet库: 略

示例1：识别传入的字符串的编码，并转换为unicode和utf8编码格式

import chardet
def _smartcode(stream):
  """smart recove stream into UTF-8
  """
  ustring = stream
  codedetect = chardet.detect(ustring)["encoding"]
  print codedetect
  try:
      print ustring
      ustring = unicode(ustring, codedetect)
      print ustring
      return "%s %s"%("",ustring.encode('utf8'))
  except:
      return u"bad unicode encode try!"

示例2：识别文件编码格式并进行转换

# coding: UTF-8
import sys
import os
import chardet


def print_usage():
　　print '''usage:
　　change_charset [file|directory] [charset] [output file]\n
　　for example:
　　  change 1.txt utf-8 n1.txt
　　  change 1.txt utf-8
　　  change . utf-8
　　  change 1.txt
'''
def get_charset(s):
　　return chardet.detect(s)['encoding']


def remove(file_name):
　　os.remove(file_name)


def change_file_charset(file_name, output_file_name, charset):
　　f = open(file_name)
　　s = f.read()
　　f.close()

　　if file_name == output_file_name or output_file_name == "":
　　　　remove(file_name)

　　old_charset = get_charset(s)
　　u = s.decode(old_charset)

　　if output_file_name == "":
　　　　output_file_name = file_name
　　f = open(output_file_name, 'w')
　　s = u.encode(charset)
　　f.write(s)
　　f.close()


def do(file_name, output_file_name, charset):
　　if os.path.isdir(file_name):
　　　　for item in os.listdir(file_name):
　　　　　　try:
　　　　　　　　if os.path.isdir(file_name+"/"+item):
　　　　　　　　　　do(file_name+"/"+item, "", charset)
　　　　　　　　else:
　　　　　　　　　　change_file_charset(file_name+"/"+item, "", charset)
　　　　　　except OSError, e:
　　　　　　　　print e
　　else:
　　　　change_file_charset(file_name, output_file_name, charset)


if __name__ == '__main__':
　　length = len(sys.argv)

　　if length == 1:
　　　　print_usage()
　　elif length == 2:
　　　　do(sys.argv[1], "", "utf-8")
　　elif length == 3:
　　　　do(sys.argv[1], "", sys.argv[2])
　　elif length == 4:
　　　　do(sys.argv[1], sys.argv[3], sys.argv[2])
　　else:
　　　　print_usage()

【参考：参考1 参考2 参考3】