pythonGB2312乱码问题

unc = stringa.decode("gb2312")

print unc.encode("utf-8")

 

LovelyPython中的通用解决方案，使用chardet模块，该模块是用来检测目标编码的

 

importchardet,os

def_smartCode(item):
codedetect=chardet.detect(item)["encoding"]
printcodedetect
try:
printitem
item=unicode(item,codedetect)
printitem
returnitem.encode("utf-8")
except:
returnu"badunicodeencodetry!"

 

 

为什么会报错“UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)”？本文就来研究一下这个问题。

---

字符串在Python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。

decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode('gb2312')，表示将gb2312编码的字符串str1转换成unicode编码。

encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode('gb2312')，表示将unicode编码的字符串str2转换成gb2312编码。

因此，转码的时候一定要先搞明白，字符串str是什么编码，然后decode成unicode，然后再encode成其他编码

---

代码中字符串的默认编码与代码文件本身的编码一致。

如：s='中文'

如果是在utf8的文件中，该字符串就是utf8编码，如果是在gb2312的文件中，则其编码为gb2312。这种情况下，要进行编码转换，都需要先用decode方法将其转换成unicode编码，再使用encode方法将其转换成其他编码。通常，在没有指定特定的编码方式时，都是使用的系统默认编码创建的代码文件。

如果字符串是这样定义：s=u'中文'

则该字符串的编码就被指定为unicode了，即python的内部编码，而与代码文件本身的编码无关。因此，对于这种情况做编码转换，只需要直接使用encode方法将其转换成指定编码即可。

---

如果一个字符串已经是unicode了，再进行解码则将出错，因此通常要对其编码方式是否为unicode进行判断：

isinstance(s, unicode) #用来判断是否为unicode

用非unicode编码形式的str来encode会报错

---

如何获得系统的默认编码？

#!/usr/bin/env python
#coding=utf-8
import sys
print sys.getdefaultencoding()

该段程序在英文WindowsXP上输出为：ascii

---

在某些IDE中，字符串的输出总是出现乱码，甚至错误，其实是由于IDE的结果输出控制台自身不能显示字符串的编码，而不是程序本身的问题。

如在UliPad中运行如下代码：

s=u"中文"
print s

会提示：UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)。这是因为UliPad在英文WindowsXP上的控制台信息输出窗口是按照ascii编码输出的（英文系统的默认编码是ascii），而上面代码中的字符串是Unicode编码的，所以输出时产生了错误。

将最后一句改为：print s.encode('gb2312')

则能正确输出“中文”两个字。

若最后一句改为：print s.encode('utf8')

则输出：/xe4/xb8/xad/xe6/x96/x87，这是控制台信息输出窗口按照ascii编码输出utf8编码的字符串的结果。

---

unicode(str,'gb2312')与str.decode('gb2312')是一样的，都是将gb2312编码的str转为unicode编码

使用str.__class__可以查看str的编码形式

---

原理说了半天，最后来个包治百病的吧：）

复制代码代码如下:

#!/usr/bin/env python
#coding=utf-8
s="中文"
if isinstance(s, unicode):
#s=u"中文"
print s.encode('gb2312')
else:
#s="中文"
print s.decode('utf-8').encode('gb2312')

 

---

 

对于Python的初学者来说，处理汉字估计是最头疼的一件事了，我也算是个初学者，断断续续接触Python也有一年多了，最近才终于搞明白了Python里对多字节字符的处理是怎么回事。

其实Python里对编码的处理能力还是很强大的，只是需要理解它处理字符的方式。Python里有两种字符串，str和unicode，他们都是字符的序列（相当于字符数组），区别在于字符的不同，str里一个字符就是一个字节，unicode中的一个字符是一个unicode里的字，长度可能是2字节，也可能是4字节。

Unicode是Python对多字节字符使用的一种内部编码，也就是说在Python内部处理多字节字符的官方编码，但它并不是我们常见的utf-8，具体是什么编码我也不清楚。在Python里处理字符串时，都需要先将来自文件、网络、或者str的字符串转换成Unicode格式，这一步是通过unicode工厂函数或者str的decode方法（decode可以理解为是从一种被编码的二进制字节流解码为Python内部通用的格式），但这是Python并不知道这个外部格式到底是什么格式，decode方法可以传入一个参数，表示这个数据是什么编码。

得到Unicode对象后，就可以对字符串进行各种操作了。在完成操作，要把字符串输出到文件、网络、或者数据库的时候，就要根据需要再把Unicode转换成需要的目标编码了，这是就要用到encode方法了，将字符串编码成需要的格式