python2编码总结

By | 2018年5月21日

以下依次列出python2常遇到的几个问题及讲解。

 

# -*- coding:utf-8 -*-

python2默认以ASCII编码,但是在实际编码过程中,我们会用到很多中文,为了不使包含中文的程序报错,也是为了符合国际通用惯例,一般将我们的文件编码设置为utf-8格式。

设定编码的格式有很多种,只要第一行或者第二行的声明符合正则表达式 “coding[:=]\s*([-\w.]+)” 即可,一般的声明方式为#-*- coding:utf-8 -*-。

1
2
str = "你好"
print str

运行以上代码,程序会报错:SyntaxError: Non-ASCII character ‘\xe4’ in file D:/TestPython/test/111.py on line 1, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details。这是提示程序中有非ASCII编码的字符。如果加上utf-8声明,程序就不会报错。

1
2
3
4
# -*- coding:utf-8 -*-
str = "你好"
print str

虽然以上写法不会报错,但是输出的却是乱码,为什么呢?这就是下面要讲的内容。

 

encode和decode

讲解编码和解码之前,先来讲讲Unicode和utf-8的关系。

可以这样来理解:字符串是由字符构成,字符在计算机硬件中通过二进制形式存储,这种二进制形式就是编码。如果直接使用 “字符串↔️字符↔️二进制表示(编码)” ,会增加不同类型编码之间转换的复杂性。所以引入了一个抽象层,“字符串↔️字符↔️与存储无关的表示↔️二进制表示(编码)” ,这样,可以用一种与存储无关的形式表示字符,不同的编码之间转换时可以先转换到这个抽象层,然后再转换为其他编码形式。在这里,unicode 就是 “与存储无关的表示”,utf—8 就是 “二进制表示”。
python2中字符串有两种表示形式,str和unicode。str可以理解为上面这段话中的二进制编码格式,unicode可以理解为抽象层。encode是编码,即从unicode格式到二进制的编码格式如utf-8、gb2312等。decode是解码,即从二进制编码格式到unicode编码格式。
下面请看代码:
# -*- coding:utf-8 -*-

str1 = "你好"
print type(str1)
str2 = str1.decode("utf-8")
print type(str2)

str1是str类型, 通过decode转为了unicode类型。

下面看encode代码:

1
2
3
4
5
6
# -*- coding:utf-8 -*-
str1 = u"你好"
print type(str1)
str2 = str1.encode("utf-8")
print type(str2)

str1是unicode类型,通过encode转为了str类型。

 

我们再回头看最开始留下的问题,那段代码为什么会输出乱码呢。因为文件规定的编码格式是utf-8,但是我们print是打印到控制台的,控制台无法显示utf-8编码格式的字符。所以我们要转一下格式。

1
2
3
4
5
# -*- coding:utf-8 -*-
str = "你好"
str = str.decode("utf-8")
print str

很多时候编码解码的时候需要加ignore参数才能正确转换,例如.encode(‘utf-8’, ‘ignore’)或.decode(‘utf-8’, ‘ignore’),大家自行斟酌吧。

 

chardet获取编码格式

有些时候我们是无法知道字符串是什么编码的,比如抓取网页时,有些是utf-8的,有些是gb2312编码的,那我们该怎么获取编码格式并转换为unicode呢。这里就介绍到一个第三方库chardet。使用方式大概如下:

1
2
3
4
5
6
7
# -*- coding: utf-8 -*-
import chardet
str = "xxxxx"
str_type = chardet.detect(str)
code = str_type['encoding']

code即为str的编码格式。但有些人反映该方法得到的编码格式不准确,速度也慢。本人亲测,速度确实一般,但是目前还没遇到不准确的情况。大家可以斟酌使用,我这里只是提供一个思路,如果谁那里有更好的方式,可以告知小弟,不吝赐教才是。

 

import sys

reload(sys)

sys.setdefaultencoding(‘utf8’)

之前也遇到过很莫名其妙的编码错误,网上搜到这种方法能解决就糊里糊涂的用上了,也不知是什么原理。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
Python 里面的编码和解码也就是 unicode str 这两种形式的相互转化。编码是 unicode -> str,相反的,解码就是 str -> unicode。剩下的问题就是确定何时需要进行编码或者解码了.关于文件开头的"编码指示",也就是 #
-*- coding: -*- 这个语句。Python 默认脚本文件都是 UTF-8 编码的,当文件中有非 UTF-8
编码范围内的字符的时候就要使用"编码指示"来修正. 关于
sys.defaultencoding,这个在解码没有明确指明解码方式的时候使用。比如我有如下代码:
#! /usr/bin/env python
# -*- coding: utf-8 -*-
s = '中文'  # 注意这里的 str 是 str 类型的,而不是 unicode
s.encode('gb18030')
这句代码将 s 重新编码为 gb18030 的格式,即进行 unicode -> str 的转换。因为 s 本身就是 str 类型的,因此 Python 会自动的先将 s 解码为 unicode ,然后再编码成
gb18030。因为解码是python自动进行的,我们没有指明解码方式,python 就会使用 sys.defaultencoding
指明的方式来解码。很多情况下 sys.defaultencoding 是 ANSCII,如果 s 不是这个类型就会出错。拿上面的情况来说,我的
sys.defaultencoding 是 anscii,而 s 的编码方式和文件的编码方式一致,是 utf8 的,所以出错了:
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position
0: ordinal not in range(128)
对于这种情况,我们有两种方法来改正错误:
一是明确的指示出 s 的编码方式
#! /usr/bin/env python
# -*- coding: utf-8 -*-
s = '中文'
s.decode('utf-8').encode('gb18030')
二是更改 sys.defaultencoding 为文件的编码方式
#! /usr/bin/env python
# -*- coding: utf-8 -*-
import sys
reload(sys) # Python2.5 初始化后会删除 sys.setdefaultencoding 这个方法,我们需要重新载入
sys.setdefaultencoding('utf-8')
str = '中文'
str.encode('gb18030')
   
看完之后,改成这样
print "<p>addr:", form["addr"].value.decode('gb2312').encode('utf-8')
成功通过.

但是这种方式用着就是别扭,还是尽量自己来控制编码,明确了编码格式,自己写着也踏实。

 

个人总结

实际编程过程中,最好能在代码内统一编码格式,比如统一为unicode,因为这样就不用考虑编码的问题了。到了显示或输出时再转换为存储类型(utf-8、GBK)。

 

以上为最近编写python代码的过程中遇到的一些问题及总结,如果有什么不对的地方还请大家及时回复交流,在此谢过。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注