python 中文编码(一)

我在学python的过程中，遇到的第二个问题，就是中文乱码，如今也算勉强入门了，在这里给大家说说我的经验，也算个新人引导吧。

在文章里，我会重点提到一个概念：有来有去。

即数据从哪里来，到哪里去？

====================================================

1、windows下cmd终端中的中文

C:\Documents and Settings\admin>python

Python 2.7.7 (default, Jun 1 2014, 14:17:13) [MSC v.1500 32 bit (Intel)] on win

32

Type "help", "copyright", "credits" or "license" for more information.

>>> s = '我是中文'

>>> ss = u'我真的是中文'

>>> s

'\xce\xd2\xca\xc7\xd6\xd0\xce\xc4'

>>> ss

u'\u6211\u771f\u7684\u662f\u4e2d\u6587'

>>> print s

我是中文

>>> print ss

我真的是中文

>>>

这样看来，输入和输出都不会出现乱码的，即使我们的字符串加了u。

        1）输入从哪里来？

                终端

        2）输入是什么编码？

                一个不知道，一个是unicode

        3）输出是什么编码？

                不知道

2.、windows下cmd中执行py文件

    我们先来看看代码 test.py

#coding:utf-8

s = 'abc我是中文字符串'

ss = u'我也是中文字符串'

print s

print repr(s)

print ss

print repr(ss)

文件是以utf8 withour BOM形式存在的(后面我们再来讨论文件编码)。

我们在cmd终端中执行看看

D:\code>python test.py

abc鎴戞槸涓枃瀛楃涓

'abc\xe6\x88\x91\xe6\x98\xaf\xe4\xb8\xad\xe6\x96\x87\xe5\xad\x97\xe7\xac\xa6\xe4\xb8\xb2'

我也是中文字符串

u'\u6211\u4e5f\u662f\u4e2d\u6587\u5b57\u7b26\u4e32'

D:\code>

天啊，怎么会有乱码，怎么能有乱码！！我快疯了。

stop，先别疯，我们来一步一步分析：

    1）输入从哪里来？

            废话，从文件里来

    2）输入是什么编码？

            这个，好像一个是utf8，一个是unicode

    3）输出是什么编码？

            不知道哎，不是utf8么？

是不是看出一点点问题了？

utf8      ------>   输出编码             ---------> 出现乱码

unicode ------>   输出编码             ---------> 不出现乱码

那么那么，在文字输出之前，我们先转换为unicode，再输出，是不是就不会有乱码了呢？我们来试一试

#coding:utf-8

s = 'abc我是中文字符串'

ss = u'我也是中文字符串'

print s

print repr(s)

# 其它字符串解码成unicode

uu = s.decode('utf-8')

print uu

print repr(uu)

print ss

print repr(ss)

看看执行结果

D:\code>python test.py

abc鎴戞槸涓枃瀛楃涓

'abc\xe6\x88\x91\xe6\x98\xaf\xe4\xb8\xad\xe6\x96\x87\xe5\xad\x97\xe7\xac\xa6\xe4\xb8\xb2'

abc我是中文字符串

u'abc\u6211\u662f\u4e2d\u6587\u5b57\u7b26\u4e32'

我也是中文字符串

u'\u6211\u4e5f\u662f\u4e2d\u6587\u5b57\u7b26\u4e32'

D:\code>

果然没有乱码了。

看样子终于是解决了一点问题，但是，远远不够，因为我们还可能遇到其它的问题。

3、windows下cmd中与用户交互

为了应对各种环境，我们的代码会遭遇各种问题？

比如写好的代码可能会在cmd中执行，可能在idle中执行，也可能在linux下执行，我们要尽可能的控制程序按照我们的意愿来工作，第一个就是不出现乱码。

    假如我们现在有一个代码文件，需要用户的输入，我们在cmd中执行，我们需要明确的知道一点，我们输入的编码是什么？

    只有知道输入的编码是什么？才能进行解码成unicode，才能不出现乱码。

    那么，在cmd中，输入的编码是什么？

在这之前，我们先来学习下decode和encode

    1）decode 解码，在已知字符串编码的情况下，转码为unicode  ，比如  s.decode('utf-8')，结果为unicode

    2）encode 编码，在已有unicode的情况下，转码为其它编码，比如  u.encode('utf-8')，结果为utf-8

我只要说一点，你就懂了

sys.stdin.encoding

当然了，与之对应的是

sys.stdout.encoding

还是看看代码吧：

#coding:utf-8

import sys

s = raw_input()

print s

print repr(s)

u = s.decode(sys.stdin.encoding)

print u

print repr(u)

o = u.encode(sys.stdout.encoding)

print o

print repr(o)

cmd中运行

D:\code>python test.py

我是中文

我是中文

'\xce\xd2\xca\xc7\xd6\xd0\xce\xc4'

我是中文

u'\u6211\u662f\u4e2d\u6587'

我是中文

'\xce\xd2\xca\xc7\xd6\xd0\xce\xc4'

D:\code>

idle中运行

Python 2.7.7 (default, Jun 1 2014, 14:17:13) [MSC v.1500 32 bit (Intel)] on win32

Type "copyright", "credits" or "license()" for more information.

>>> ================================ RESTART ================================

>>>

我是中文

我是中文

'\xce\xd2\xca\xc7\xd6\xd0\xce\xc4'

我是中文

u'\u6211\u662f\u4e2d\u6587'

我是中文

'\xce\xd2\xca\xc7\xd6\xd0\xce\xc4'

>>>

linux中运行

root@kali:~/Desktop# python test.py

我是中文

我是中文

'\xe6\x88\x91\xe6\x98\xaf\xe4\xb8\xad\xe6\x96\x87'

我是中文

u'\u6211\u662f\u4e2d\u6587'

我是中文

'\xe6\x88\x91\xe6\x98\xaf\xe4\xb8\xad\xe6\x96\x87'

总结：

如果你知道你从哪里来，要到哪里去，你一定会到达那个地方。