在本文中,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。
一、python中的str和unicode
一直以来,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。
例如:
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。
这里再对print进行一点补充说明:当将一个unicode对象传给print时,在内部会将该unicode对象进行一次转换,转换成本地的默认编码(这仅是个人猜测)
二、str和unicode对象的转换
str和unicode对象的转换,通过encode和decode实现,具体使用如下:
将GBK'哈哈'转换成unicode,然后再转换成UTF8
三、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')
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。
四、操作不同文件的编码格式的文件
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
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
五、文件的编码格式和编码声明的作用
源文件的编码格式对字符串的声明有什么作用呢?这个问题困扰一直困扰了我好久,现在终于有点眉目了,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:
- 声明源文件中将出现非ascii编码,通常也就是中文;
- 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。
- 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。
分享到:
相关推荐
设计名称 Python函数 授课课时 1.0 学情分析 学生知识经验基础 已经掌握Python程序编码软件基本的操作技能和基础语法。 已学习Python语句的三种逻辑结构:顺序、条件分支、循环,可以进一步提高编程技能,学习函数...
很好的辅助性文档,很便宜Python-PET8-编码规范汇编Python-PET8-编码规范汇编.pdfPython-PET8-编码规范汇编.pdf
python-onvif2-zeep Python基础wsdl ver10 / 20中的ONVIF客户端实现 依存关系 > = 3.0.0 安装python-onvif2-zeep python-onvif-zeep,请参见 ) 从来源 您应该克隆此存储库并运行setup.py: cd python-onvif2-...
geopy:Python地理编码工具箱
原因:Python中默认的编码格式是 ASCII 格式 解决方法:在文件开头加入 # -*- coding: UTF-8 -*- 或者 # coding=utf-8 # -*- coding: UTF-8 -*- # 中文 print("hello world") print("输出") 其他说明: ...
3、Python OpenCV配置CUDA以支持GPU加速 (不使用Visual Studio) 可以使用该OpenCV 库版本利用GPU进行图像处理 4、OpenCV是计算机视觉和机器学习软件库,功能非常强大,通过pip安装的Python版本仅支持CPU运算,可以...
编码和解码base64 回声“消息” | python -m base64 -e 个人资料 分析您的代码 python -m cProfile模块.py 日历 漂亮打印日历 python -m日历 代码 紧密模拟交互式Python解释器 python -m代码 编译 在目录树中...
说明文件: :help pymode 重要说明: 从2017-11-19开始,python-mode使用子模块,而不是将第3方库硬编码到其代码库中。 请发出以下命令:python-mode文件夹中的git submodule update --init --recursive 。 从2019-...
Pyliczba 是一个 Python 实用程序模块,用于将数值转换为波兰语文本,可用于打印发票等。目前,它是一个源文件,您可以从获得 Funkcja w Pythonie służąca wypisywaniu liczby słownie。 Moduł do pobrania z:...
python课程设计-企业编码管理系统(源码+可执行程序exe+使用说明) 具体的操作步骤如下: (1)生成6位数字防伪编码。 (2)生成9位系列产品数字防伪编码。 (3)生成25位混合产品序列号。 (4)生成含数据分析功能...
费尔菲尔德学院预科学校计算机编程-梅斯基塔先生Python测验2-第2部分 在11/24(25分)的1:30 PM之前到期。 回答以下任何三个问题。 如果完成要求的3,则可以回答第4个问题。 最好的3分将计入您的最终成绩。 每个...
费尔菲尔德学院预科学校计算机编程-梅斯基塔先生Python测验2-第2部分 在11/24(25分)的1:30 PM之前到期。 回答以下任何三个问题。 如果完成要求的3,则可以回答第4个问题。 最好的3分将计入您的最终成绩。 每个...
费尔菲尔德学院预科学校计算机编程-梅斯基塔先生Python测验2-第2部分 在11/24(25分)的1:30 PM之前到期。 回答以下任何三个问题。 如果完成要求的3,则可以回答第4个问题。 最好的3分将计入您的最终成绩。 每个...
解决各种网站和书籍编程问题,列表和挑战的解决方案。当前总计:433个解决方案。网站 : Python:4个解决方案 Python: 8 Kyu-147解决方案7久-19 tu 6圭-6 tu 5圭-2 tu 4 Kyu-1 tu 水晶: 8 Kyu-8解决方案 : 的...
使用LINQ功能扩展python列表,实现干净,快速的编码
Windows文档默认编码是ANSI,Linux文档默认编码是UTF8。项目进行平台移植(Windows—>Linux)时涉及到大量文档编码格式转换,即TXT...代码中Python实现了指定目录下TXT文档编码ANSI转UTF8。批量转换。简单。易实现。
纠错码之BCH编译码python算法说明
设计名称 异常处理 授课课时 1.0 学情分析 学生知识经验基础 经掌握Python程序编码软件基本的操作技能和基础语法。 已学习Python语句的顺序结构和条件分支结构和循环结构,一般程序都可编写,可以学习异常处理这个...
Python编码挑战。 资料来源 像计算机科学家一样思考:使用Python学习-2002年4月:第一版。 edabit。 HackerRank。 状态 积极的。 正在研究:Python if-Else(HackerRank)。 尚未开始:初学者(认为CS)。
利用Keras实现Gumbel-Softmax变量自动编码器