Python for Windows 中文编码问题汇总

关于python编码的基本常识
- 在python里面 “明文”是unicode类型 “密文”是其他的编码格式如gbk utf-8 latin-1等等
- 编码: “明文”->”密文” .encode([目标编码格式]) 对象必须为unicode类型
- 解码: “密文”->”明文” .decode([源编码格式]) 对象为str类型
- 对于汉字一共有三大类编码方式
  - 以中文汉字”李”为例子
  - a. unicode类机器码 \x67\x4e
    - unicode(python表示) \u674e
    - HTML Entity &#x674E
    - UTF-16(BE) 0x674E
    - UTF-32(BE) 0x0000674E
  - b. UTF-8类机器码 \xe6\x9d\x8e
    - UTF-8(python表示) \xe6\x9d\x8e
    - URL Escape Code %E6%9D%8E
    - Octal Escape Sequence \346\235\216
  - c. gb类机器码 \xc0\xee
    - gb2312 gbk gb18030 \xc0\xee
设置.py文件的编码格式
- .py文件中出现的字符串文字量的编码格式
- 包括前面带u的(转换成unicode格式的字符串) 首先也是根据设置的文件编码格式读取字符串文字量再作unicode的转换
- 如果没加coding编码的设置将默认设置为操作系统的默认编码
- 操作系统的默认编码 windows下为ascii
  - 可以从出错信息看出来
    SyntaxError: Non-ASCII character '\xe6' in file... , but no encoding declared;
  - 另外从sys.getdefaultencoding()亦可得知
    >>> sys.getdefaultencoding() 'ascii'
- 设置方式在.py文件首部加上代码
```
    #coding=<encoding>
```
  - 根据不同的编辑器，确定不同的<encoding>
  - Sublime Text编辑器:
    - 由于ST编辑器默认即为UTF-8编码所以<encoding>为utf-8
  - 系统自带的记事本:
    - 记事本默认编码为ascii/gbk(“另存为”中编码选项为”ANSI”) 要正确读取.py文件里的中文设置为gbk
    - 记事本”另存为”的4种编码方式含义
      - ANSI: 对英文系统即ASCII 对中文系统即gbk/big5
      - Unicode: UTF-16(LE)
      - Unicode big endian: UTF-16(BE)
      - UTF-8

字符串文字量的类型

前面加u 为’unicode’类型

    >>> str_u = u"中文"
    >>> type(str_u)
    <type 'unicode'>

前面不加u 为’str’类型

    >>> str = str_u.encode('gbk')
    >>> type(str)
    <type 'str'>
    >>> str1 = "中文"
    >>> type(str1)
    <type 'str'>

关于print输出中文字符串

unicode类型编码为’gbk’均可正常显示文字

    >>> str = "中文"
    >>> print str
    中文
    >>> str_u = u"中文"
    >>> print str_u
    中文

编码为’ascii’ 则会出现UnicodeEncodeError错误

    >>> print str_u.encode('ascii')
    Traceback (most recent call last):
File "<stdin>", line 1, in <module>
    UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

编码为’utf-8’ 则会乱码显示

    >>> print str_u.encode('utf-8')
    涓枃

Windows的文件/文件夹的中文名字
- 都是gbk编码
- 所以在读写文件/文件夹名字时必须先.encode('gbk')
Windows读写文件内容
- 跟文件名字不一样，文件内容的编码视需求而定(gbk/utf-8)
- 建议编码成utf-8 这样Sublime Text打开后不需要ConvertToUTF8
爬虫结果的存储
- 现在的网页基本都是UTF-8编码(HTML5默认编码)
- 经过BeautifulSoup处理后的HTML元素内容类型为NavigableString
- 可以直接print 由第3点可推断出 NavigableString底层类型为unicode
- 经过.replace()方法后可转换为unicode类型
日语假名和日语汉字
- 上述说明中所有涉及’gbk’编码的中文处理方式同样适用于日语假名和汉字
其他
- 这篇文章提倡的最佳实践
  - 不使用sys.setdefaultencoding(‘utf-8’)解决编码问题
  - 字符串中间处理过程全部转化为unicode处理只在数据的入口和出口作相应的.decode()和.encode()处理
- 查阅文字的unicode类编码和UTF-8类编码

秒客网

Python for Windows 中文编码问题汇总

相关文章