python 编码问题之终极解决

结合之前遇到的坑以及下面贴的这篇文章， 总结几种python乱码解决方案，如果遇到乱码，不妨尝试一下？

1，必备

#encoding=utf-8

2,　python编程环境编码

import sys
reload(sys)
sys.setdefaultencoding('utf8')

3,不知道神马编码的时候用chardet查一下

from chardet import detect  # detect(str),参数只能是str,不能是unicode编码的
if not isinstance(line, unicode):
    line = line.decode(detect(line)['encoding']).rstrip().lower()

4,mysql 的默认字符集 latin1，Latin1是ISO-8859-1的别名，有些环境下写作Latin-1，ISO-8859-1编码是单字节编码，向下兼容ASCII

try:
    line = line.rstrip().decode("utf-8").lower()
except UnicodeDecodeError:
    line = line.decode('latin-1').rstrip().lower()    # 很多网页采用这种编码格式，爬取网页的时候会遇到

5，读取oracle中文遇到问题的话，设置一下客户端编码

import os
os.environ['NLS_LANG']
= 'SIMPLIFIED CHINESE_CHINA.UTF8'

6, 非常好用的codecs, GB2312 < GBK < GB18030，

import codecs         # 下载的txt文本在mac上打开乱码，这样子转一下就好了
fo = codecs.open('/Users/baidu/Desktop/spark/现代汉语常用词表.txt', 'rb', 'gbk')
fo = codecs.open('/Users/baidu/Desktop/spark/现代汉语常用词表.txt', 'rb', 'utf8')
fo = codecs.open('/Users/baidu/Desktop/spark/现代汉语常用词表.txt', 'rb', 'gb18030')

混合编码的情况最烦人，可以采用try:....UnicodeDecodeError:....去尝试不同解码方法，或者用chardet先检测再解码(但是有些编码格式字符串找不到解码方式)

总之，读进来先统一解码为unicode的格式，写出去都同一编写为utf-8格式(除非特殊要求)

附上各种编码教程 http://www.crifan.com/character_encoding_charset_simpile_tutorial/

【整理】Python中遇到"UnicodeDecodeError: ‘gbk’ codec can’t decode bytes in position 2-3: illegal multibyte sequence"之类的编码或解码的错误时如何处理
原文  http://www.crifan.com/summary_python_unicodedecode_error_possible_reasons_and_solutions/

问题参见：

python2.7 urllib2 抓取新浪乱码

中的：

报错的异常是   
UnicodeDecodeError: ‘gbk’ codec can’t decode bytes in position 2-3: illegal multibyte sequence

此问题，还是很具有代表性的，此处，专门整理如下：

【Python中如何处理UnicodeDecodeError和UnicodeEncodeError】

简答：

1.仔细分析错误的类型

2.搞清自己处理的字符串是什么类型的

3.然后换用这种的字符编码去编码或解码

详解：

以上面的错误：

UnicodeDecodeError: ‘gbk’ codec can’t decode bytes in position 2-3: illegal multibyte sequence

为例，去解释，如何处理这类问题：

1.仔细分析错误的类型

（1）错误是Unicode的编码还是解码

对于此处，错误是：

UnicodeDecodeError
的类型的。

此英文，对应的中文的含义，其实已经很清楚了：

Unicode的解码（Decode）出现错误（Error）了

而对于上面这句，我们可以推断出：

你当前正在处理某种编码类型的字符串
此处你要处理字符串，是想要将该字符串去解码decode，变成Unicode
但是将该字符串解码变成Unicode期间，却出错了
（2）所用的是何种编码

好的，接着看上面的错误：

‘gbk’ codec can’t decode
使得错误信息更加明显了：

你此处，要将字符串解码为Unicode，是以gbk编码的方式去解码（该字符串变成Unicode）的
但是此处通过gbk的方式，却无法解码（can’t decode ）
注：此处的codec，意思是：编解码（器），是Python内部的模块，用来编码或解码（字符串）的
（3）错误位置

bytes in position 2-3

此处的信息，后续一般也很少用到。

有时候会用于定位具体错误的位置。

此处暂且忽略。

（4）错误的细节错误类型

illegal multibyte sequence

翻译为中文为：

非法的，多字节，序列

简单说就是：

没法（解码）了。

【原因及解决办法】

好了，针对于上面所分析出来的信息：

将一个字符串，通过gbk的方式，去解码，想要获得Unicode字符串，结果出错了

我们来说说原因和解决办法：

此种错误，有几种可能：
（1）要处理的字符串本身不是gbk编码，但是你却以gbk编码去解码
比如，字符串本身是utf-8的，但是你却用gbk去解码utf-8的字符串，所以结果不用说，则必然出错

则必然会出现这类的错误，说是，用gbk的方式去解码字符串，想要获得Unicode字符串，但是结果却解码出错了

解决办法：

如果你确定当前字符串，比如抓取网页通过charset=utf-8，已经确定html的字符串是utf-8的，

则可以直接去通过utf-8去解码。

相关参考内容：

详解抓取网站，模拟登陆，抓取动态网页的原理和实现（Python，C#等）

中的：

【整理】关于HTML网页源码的字符编码（charset）格式（GB2312，GBK，UTF-8，ISO8859-1等）的解释

而如果本身对于所处理的字符串，不太清楚是什么编码类型的，可以尝试去通过chardet等模块，去检测看看：

【教程】如何用Python中的chardet去检测字符编码类型

然后搞清楚了，确定了，字符串是什么类型，然后再去解码。

提示：

关于字符串编码的类型，作为背景学习知识，也应该去了解一下。

这样对于以后处理字符串方面，会更有帮助。

（2）你没有主动的去将字符串编码为对应的Unicode，但是结果也报上面的UnicodeDecodeError的错误

这个情况，最常见的，就是我之前在：

【总结】Python 2.x中常见字符编码和解码方面的错误及其解决办法

所整理过的：

“Python中，打印字符串时，字符串本身的编码，与输出终端中所用编码不匹配”

此处不再赘述，只简要再说一下：

如果你本身拿到的是utf-8等，非gbk编码的字符串，然后用print去打印出来

在windows系统就是输出到cmd中

而cmd中，（对于多数中国人所用的是中文的系统）默认字符编码是gbk

从而导致此种现象：

python要将utf-8编码的字符串，在gbk的cmd的中打印出来

所以先要去尝试，用gbk的编码，解码为Unicode然后再打印出来

结果就出现此处的错误了。

详细解释，还是参见上面的教程。

其中还有示例代码的。

（3）处理的字符的确是gbk的，但是其中夹杂的部分特殊字符，是gbk编码中所没有的
如果有些特殊字符是GB18030中有的，但是是gbk中没有的。
则用gbk去解码，去所不支持的字符，也比如会出错。
所以，此种情况，可以尝试用和当前编码（gbk）所兼容的但所包含字符更多的编码（gb18030）去解码，或许就可以了。

提示：

如果对于GBK，GB18030，以及GB2312不了解，则可参考：

字符编码简明教程

另外：

如果遇到其他的，类似此中错误的，比如：

UnicodeEncodeError: 'gbk' codec can't encode character u'\u3232' in position 0: illegal multibyte sequence
等类型的错误，你就可以按照上述的思路，去分析，错误的现象，原因，然后通过自己，就可以找到解决办法了。

注：

其他和这类错误相关的，也还有一些可以参考的：

【总结】静态网页抓取，动态网页抓取，模拟登陆的注意事项和心得

中的：“返回的html内容是乱码”