Python中文编码大合集

开课吧开课吧锤锤2021-06-02 14:59

点赞
有用
分享分享

    本文整理了关于Python中文编码的最强合集,以下就是全部内容,希望可以对您的学习有所帮助。

py

    在Python中使用中文

    在Python中有两种默认的字符串:str和unicode。在Python中一定要注意区分“Unicode字符串”和“unicode对象”的区别。后面所有的“unicode字符串”指的都是python里的“unicode对象”。

    事实上在Python中并没有“Unicode字符串”这样的东西,只有“unicode”对象。一个传统意义上的unicode字符串完全可以用str对象表示。只是这时候它仅仅是一个字节流,除非解码为unicode对象,没有任何实际的意义。

    我们用“哈哈”在多个平台上测试,其中“哈”对应的不同编码是:

    1.UNICODE(UTF8-16),C854;

    2.UTF-8,E59388;

    3.GBK,B9FE。

    1.1Windows控制台

    下面是在windows控制台的运行结果:

    可以看出在控制台,中文字符的编码是GBK而不是UTF-16。将字符串s(GBK编码)使用decode进行解码后,可以得到同等的unicode对象。

    注意:可以在控制台打印ss并不代表它可以直接被序列化,比如:

    向文件直接输出ss会抛出同样的异常。在处理unicode中文字符串的时候,必须首先对它调用encode函数,转换成其它编码输出。这一点对各个环境都一样。

    总结:在Python中,“str”对象就是一个字节数组,至于里面的内容是不是一个合法的字符串,以及这个字符串采用什么编码(gbk,utf-8,unicode)都不重要。这些内容需要用户自己记录和判断。这些的限制也同样适用于“unicode”对象。要记住“unicode”对象中的内容可绝对不一定就是合法的unicode字符串,我们很快就会看到这种情况。

    总结:在windows的控制台上,支持gbk编码的str对象和unicode编码的unicode对象。

    1.2WindowsIDLE(在Shell上运行)

    在windows下的IDLE中,运行效果和windows控制台不完全一致:

    可以看出,对于不使用“u”作标识的字符串,IDLE把其中的中文字符进行GBK编码。但是对于使用“u”的unicode字符串,IDLE居然一样是用了GBK编码,不同的是,这时候每一个字符都是unicode(对象)字符!!此时len(ss)=4。

    这样产生了一个神奇的问题,现在的ss无法在IDLE中正常显示。而且我也没有办法把ss转换成正常的编码!比如采用下面的方法:

    这有可能是因为IDLE本地化做得不够好,对中文的支持有问题。建议在IDLE的SHELL中,不要使用u“中文”这种方式,因为这样得到的并不是你想要的东西。

    这同时说明IDLE的Shell支持两种格式的中文字符串:GBK编码的“str”对象,和UNICODE编码的unicode对象。

    1.3在IDLE上运行代码

    在IDLE的SHELL上运行文件,得到的又是不同的结果。文件的内容是:

    直接运行的结果是:

    毫无瑕疵,相当令人满意。我没有试过其它编码的文件是否能正常运行,但想来应该是不错的。

    同样的代码在windows的控制台试演过,也没有任何问题。

    1.4WindowsEclipse

    在Eclipse中处理中文更加困难,因为在Eclipse中,编写代码和运行代码属于不同的窗口,而且他们可以有不同的默认编码。对于如下代码:

    #!/usr/bin/python

    #-*-coding:utf-8-*-

    s="哈哈"

    ss=u'哈哈'

    printrepr(s)

    printrepr(ss)

    prints.decode('utf-8').encode('gbk')

    printss.encode('gbk')

    prints.decode('utf-8')

    printss

    前四个print运行正常,最后两个print都会抛出异常:

    '/xe5/x93/x88/xe5/x93/x88'

    u'/u54c8/u54c8'

    哈哈

    哈哈

    Traceback(mostrecentcalllast):

    File"E:/Workspace/Eclipse/TestPython/Test/test_encoding_2.py",line13,in<module>

    prints.decode('utf-8')

    UnicodeEncodeError:'ascii'codeccan'tencodecharactersinposition0-1:ordinalnotinrange(128)

    也就是说,GBK编码的str对象可以正常打印,但是不能打印UNICODE编码的unicode对象。在源文件上点击“Runas”“Run”,然后在弹出对话框中选择“Common”:

    可以看出Eclipse控制台的缺省编码方式是GBK;所以不支持UNICODE也在情理之中。如果把文件中的coding修改成GBK,则可以直接打印GBK编码的str对象,比如s。

    如果把源文件的编码设置成“UTF-8”,把控制台的编码也设置成“UTF-8”,按道理说打印的时候应该没有问题。但是实验表明,在打印UTF-8编码的str对象时,中文的最后一个字符会显示成乱码,无法正常阅读。不过我已经很满足了,至少人家没有抛异常不是:)

    BTW:使用的Eclipse版本是3.2.1。

    1.5从文件读取中文

    在window下面用记事本编辑文件的时候,如果保存为UNICODE或UTF-8,分别会在文件的开头加上两个字节“/xFF/xFE”和三个字节“/xEF/xBB/xBF”。在读取的时候就可能会遇到问题,但是不同的环境对这几个多于字符的处理也不一样。

    以windows下的控制台为例,用记事本保存三个不同版本的“哈哈”。

    打开utf-8格式的文件并读取utf-8字符串后,解码变成unicode对象。但是会把附加的三个字符同样进行转换,变成一个unicode字符,字符的数据值为“/xFF/xFE”。这个字符不能被打印。编码的时候需要跳过这个字符。

    打开unicode格式的文件后,得到的字符串正确。这时候适用utf-16解码,能得到正确的unicdoe对象,可以直接使用。多余的那个填充字符在进行转换时会被过滤掉。

    打开ansi格式的文件后,没有填充字符,可以直接使用。

    结论:读写使用python生成的文件没有任何问题,但是在处理由notepad生成的文本文件时,如果该文件可能是非ansi编码,需要考虑如何处理填充字符。

    1.6在数据库中使用中文

    刚刚接触Python,我用的数据库是mysql。在执行插入、查找等操作时,如果运行环境使用的字符编码和mysql不一致,就可能导致运行时的错误。当然,和上面看到的情况一样,运行环境并不是关键因素,关键是查询语句的编码方式。如果在每次执行查询操作时都把查询字符串做一次编码转换,转变成mysql的默认字符编码,一样不会遇到问题。但是这样写代码也太痛苦了吧。

    使用如下代码连接数据库:

    self.conn=MySQLdb.connect(use_unicode=1,charset='utf8',**server)

    我不能理解的是既然数据库用的默认编码是UTF-8,我连接的时候也用的是UTF-8,为什么查询得到的文本内容却是UNICODE编码(unicode对象)?这是MySQLdb库的设置么?

    1.7在XML中使用中文

    使用xml.dom.minidom和MySQLdb类似,对生成的dom对象调用toxml方法得到的是unicode对象。如果希望输出utf-8文本,有两种方法:

    1.使用系统函数

    在输出xml文档的时候进行编码,这是我觉得最好的方法。

    xmldoc.toxml(encoding=’utf-8’)

    xmldoc.writexml(outfile,encoding=‘utf-8’)

    中文编码有很多,大家可以慢慢的学习,同时希望你可以有一个好的成绩。以上就是小编为大家整理的“Python中文编码大合集”一文,更多Python教程尽在开课吧广场Python教程频道。

免责声明:本站所提供的内容均来源于网友提供或网络搜集,由本站编辑整理,仅供个人研究、交流学习使用。如涉及版权问题,请联系本站管理员予以更改或删除。
有用
分享