什么是编码

  任何一种语言、文字、符号等等,计算都是将其以一种类似字典的形式存起来的,比如最早的计算机系统将英文文字转为数字存储(ASCII码),这种文字与数字(或其他)一一对应的关系我们称之为编码。由于ASCII码只包含了大小写英文字母、数字和一些符号,显然当计算机推广到世界之后随着语种增多,这套编码并不适用,于是中国针对中文推出了GB2312码,但是多语言时,又不行了,于是就出现了强大的Unicode(万国码)。但是由于Unicode存储性能问题,在纯英文时存储效率要远低于ACSII码,于是又出现了现在的UTF-8编码(8-bit Unicode Transformation Format),可以看做是Unicode的加强版,通过可变长度的编码来使存储最优,而且UTF-8编码包含了ASCII码,这一点非常重要。

  python处理文本时的中间编码为Unicode,于是就有了decode和encode,前者将unicode以外的字符串解码为unicode,后者将unicode编码为指定编码。

当你输入字符串时

  首先,当你在python代码中输入一个字符串时候,它是以什么编码形式被保存的呢?

1.如果输入了一串纯英文,数字,或英文状态下的标点符号,那么无论有没有在代码最前面做编码申明(如"# -- coding:utf-8 --"),字符串都是由ASCII码存储的,原因很简单,ascii码只支持英文,占用性能与空间小。

  • 此时,该字符串可以随意decode(解码)和encode(编码),不会报错,甚至不会进行任何变动,永远都是ascii码,type类型是str
  • 如果在输入该字符串时加入了Unicode申明,即 u"balabala",那么此时字符串type格式为Unicode,可以随意encode,不可decode,但是无论encode成什么,python还是都会以ascii的形式存储

2.如果输入了中文,那么情况一下子就变得复杂起来。此时必须进行编码申明,否则会抛出如下错误:“Non-ASCII character '\xe5' in file **,but no encoding declared”,意思就是你输入了ASCII码无法识别的东西,且没有进行编码申明,所以此时要在文件开头进行编码申明,完整版如下:

#!/usr/bin/python
# -*- coding: <encoding name> -*-

  此时处填上编码方式,不区分大小写,其实只写下面一行就行了,上面一行只是为了在linux系统里识别而已。很多人对这种在注释中进行申明的方式很不习惯,也不解-*-是什么鬼,但是PEP 263告诉我们,这样只是为了好看而已。。。

  • 举个例子,如果你申明了utf-8编码,那么你输入的任何带有非英文(以及符合)非数字的字符串,都是utf-8编码,我们可以通过 .decode('utf-8')的方式将其解码为Unicode码方便python处理,注意此时不仅其编码编程Unicode,其类型也从str变成了Unicode。当然也可以使用unicode(string,'utf-8')的方式来将其解码为unicode,Unicode函数与str函数的区别是前者尝试用给定编码(不给定时用ASCII)进行decode,而后者尝试用ASCII(defaultencoding)进行encode,由于ASCII码被utf-8码包含,所以对于utf-8字符串,进行str()是没有问题的,但是对于其他编码文本进行str()则会报错或是乱码。
  • 如果输入字符串时进行Unicode申明,如a=u"杨睿很帅",那么此时字符串编码直接为unicode。可随意进行encode,不可decode,不可str。

注意

1.chardet库的detect方法可以得到字符串的编码类型,当输入字符串为unicode时程序报错,有时候也会误判,置信水平小鱼0.7则不可轻信了。

2.上述只针对在非DOS中执行py文件时适用:如果是在IDLE中单步执行,则中文字符串是以系统默认编码(windows-1252)保存;如果是在DOS界面中运行,则为GBK编码,而且中文也必须是GBK编码才可正常显示,否则报错。

3.选择一款好的IDE,设置一款独特的凸显品味的字体与配色,能够让初学者前期愉快地被编码问题搞崩,而不是恼火地崩掉,也能帮助你很好的管理代码。(推荐PyCharm,有免费版)

设置默认编码

import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )

  以上代码将系统编码由ASCII码转为UTF-8编码。reload(sys)是因为import时将setdefaultencoding()方法删除了,所以将其重新载入回来。为什么说ascii是系统默认编码,因为当你使用str()给字符串encode或者是unicode()来decode时,都是默认使用了ASCII码,因此经常会报出类似"UnicodeDecodeError: 'ascii' codec can't decode byte 0xd1 in position 0"的错误,原因就是字符串里掺杂了中文,前面说到ascii码是不支持中文的。如果把系统默认编码设置为utf-8,就不会出现这样的问题了哦~

  那么,它与脚本开头的"# -*- coding:utf-8 -*-"有什么区别呢,注意,脚本开头的编码申明只是针对在脚本中输入的非英文、数字、符号的字符串如中文,将其存成utf-8的形式,而非系统转码的形式。

  当开头设置默认编码时,很容易出现程序运行到setdefaultencoding就默认终止的情况(IDLE下),这时候需要在reload前后加入这个,目的是为了重新定向,防止reload将变量重置:

stdout = sys.stdout
reload(sys)
sys.stdout = stdout

IO时的编码问题

  • txt

      1.写txt文件时,windows下默认会写出为ANSI编码,在windows系统下就是GBK编码。如果字符串被encode为utf-8,那么写出的txt则为utf-8,但是当字符串为unicode时,如果有中文,写出会报错,原因就是按照系统默认编码ascii进行编码了,按之前所说的将默认编码改为utf8就没问题了,但输出的也变成了utf-8。如果想写入unicode,需要借助codecs库的open方法,读者可以自行百度。

      2.读取txt文件时,如果txt文件为ANSI码,则读入的为gbk编码,可用gbk解码;如果txt文件为utf-8编码,则读入的也为utf-8编码;而如果txt为unicode时,我们会发现一个奇怪的现象,读入的文本编码变成了"utf-16",所以需要用utf-16解码(至于为什么留给读者探索)。
  • csv

      写出csv时,注意utf-8编码和gbk编码是不能用制表符\t进行分列的(excel显示时),必须使用逗号,否则无法显示分列结果。windows下推荐用gbk写出,否则中文容易乱码。当然,如果是包含大量文本的数据,非常不推荐使用csv输出,一不小心就错位,直接输出excel是不错的选择。
  • excel

    xlrd,xlwt,xlsxwriter都是非常好的excel读写库,xlrd目前支持读写xlsx(2007版)与xls(2003版),xlwt只支持写出2003版xls,xlsxwriter支持2007版的写出,而且输入字符串均需要时unicode编码才行,否则报错。

网页抓取时的编码问题

  网页抓取时遇到的主要问题,无非是网页源代码中掺杂了为被转义的编码形式,被作为纯文本读了进来,比如这样一个字符串"\u6768\u777f",无论怎么print 它都是这个形式因为它是文本,不是编码,那么怎么转为中文呢,则需要用如下命令:

print text.decode('unicode_escape')

  非常生动形象的,这句话相当于是把“逃离”掉的unicode编码进行再编码,于是就得到了我们想要的中文。

  

  同样,有的网页中的文字是以反斜杠加三个数字形式呈现的,这个是标准的八进制字符串,如"\345\244\247",则表示一个中文字;而utf-8的表现形式为16进制字符串,像"\xe6\x9d\xa8"就代表着一个字 ,对于这些字符,只需要使用如下命令即可从文本转为编码字符串:

print text.decode('string_escape')

但是,python使用中还有诸多编码问题,在此推荐我的好友何燕杰的脚本解释型语言Cygnus,目前整个语言正处于开发与调试阶段,完善后将会在博客园里给出。我为此开源项目贡献了非常简洁易用、强大的爬虫库(Requests),由于和c#完美对接,几乎没有任何编码问题。大家敬请期待!

本博原创作品仅供品读,欢迎评论,未经本人同意谢绝转载。特此申明!

Python2 新手 编码问题 吐血总结的更多相关文章

  1. 【Python】python2 str 编码检测

    python2 str 编码检测 import chardet s = 'sdffdfd' print type(s) print chardet.detect(s) s2 = '反反复复' prin ...

  2. 转:Python2字符编码问题汇总

    这篇文章的部分问题在Python3以后不再存在,老猿只是觉得文章的部分内容还是有参考价值,因此在此原文转发连接: Python2字符编码问题汇总

  3. 不想再被鄙视?那就看进来! 一文搞懂Python2字符编码

    程序员都自视清高,觉得自己是创造者,经常鄙视不太懂技术的产品或者QA.可悲的是,程序员之间也相互鄙视,程序员的鄙视链流传甚广,作为一个Python程序员,自然最关心的是下面这幅图啦 我们项目组一值使用 ...

  4. Python2字符编码问题汇总

    目录 从字符编码说起 unicode与utf-8 当编解码遇上Python2.x unicode 与 str 区别 __str__ __repr__的区别 unicode str utf-8关系 un ...

  5. 关于Python2字符编码的体会

    对于Python的字符编码问题也懵了很久,最近做爬虫多次遇到网页转码的问题,干脆彻底解决掉!Just Do it! 1.两种类型str与unicode str和unicode都是basestring的 ...

  6. python2.x编码问题实例

    1,编码问题,主要是区分面向人类的字符串,面向计算机的字节序列 在python3中,字符串是str(默认即unicode),字节序列是bytes 在python2中,字符串是unicode,字节序列是 ...

  7. python2.X编码

    1.Python文件的编码 在Python文件中,可以在第一或第二行指定文件的编码格式(以注释的形式加),这也是Python语法规定的,见http://www.python.org/peps/pep- ...

  8. Python2中编码错误---重组人表皮生长因子凝胶(易孚格式转化为UTF-8

    在python2的使用中,总会遇到各种各样的编码问题,这也是使用Python2最头疼的一件事情,幸好python3解决了编码的问题. 下面我在爬虫时遇到的类似重组人表皮生长 ...

  9. 从python2,python3编码问题引伸出的通用编码原理解释

    今天使用python2编码时遇到这样一条异常UnicodeDecodeError: ‘ascii’ code can’t decode byte 0xef 发现是编码问题,但是平常在python3中几 ...

随机推荐

  1. js的click事件传递参数方法

    参考链接:http://www.cnblogs.com/shytong/p/5005704.html 由于是回调函数,事先就需要先把数据储存在event上,否则只能用全局变量做为参数传递,建议用bin ...

  2. 【Android】Android属性allowBackup安全风险

    allowBackup值为true或false,Android API Level 8及其以上Android系统提供了为应用程序数据的备份和恢复功能,当allowBackup标志为true时,用户即可 ...

  3. 关于手机的内置SD卡与外置SD卡

    对于安卓2.3的系统来说,Environment.getExternalStorageDirectory()获取的目录是内置SD卡还是外置SD卡是无法保证的, 和手机厂商的修改有关,只能通过Envir ...

  4. 页面解耦—— 统跳协议和Rewrite引擎

    原文: http://pingguohe.net/2015/11/24/Navigator-and-Rewrite.html 解耦神器 —— 统跳协议和Rewrite引擎 Nov 24, 2015 • ...

  5. WPF 中的image控件的Source如何赋值

    Image image=new Image();image.Source = new BitmapImage(new Uri(@"daw\adw.jpg",UriKind.Rela ...

  6. MySQL索引背后的数据结构及算法原理【转】

    本文来自:张洋的MySQL索引背后的数据结构及算法原理 摘要 本文以MySQL数据库为研究对象,讨论与数据库索引相关的一些话题.特别需要说明的是,MySQL支持诸多存储引擎,而各种存储引擎对索引的支持 ...

  7. js创建命名空间

    CreateNameSpace: function () { var nameSpaceObjec = arguments[0].split('.'); var currentNameSpaceNam ...

  8. jeecms3.0.4版本 详解请求如何找到首页(转)

    第一步:发送http://localhost:8080/emisstrade/ 请求 第二步:首先进入配置文件web.xml, <context-param> <param-name ...

  9. javaSE基础04

    javaSE基础04 一.三木运算符 <表达式1> ? <表达式2> : <表达式3> "?"运算符的含义是: 先求表达式1的值, 如果为真, ...

  10. 7.iOS Notification

    1. 通知中心认识 通知中心实际上是在程序内部提供了消息广播的一种机制.通知中心不能在进程间进行通信,它只能进行程序内部通信,不能跨应用程序进程通信.通知中心,当通知中心接受到消息后会根据设置,根据内 ...