Python中常常遇到這種字符編碼問題,尤其在處理網頁源代碼時(特別是爬蟲中):
UnicodeDecodeError: ‘XXX' codec can't decode bytes in position 12-15: illegal multibyte...
正則表達式 中文字符 編碼。以下以漢字'哈'來解釋作演示樣例解釋全部的問題,漢字“哈”的各種編碼例如以下:
1 UNICODE(UTF8-16): 0xC854
2 UTF-8: 0xE59388
python3編碼、3 GBK: 0xB9FE
除此之外還有如gb2312, big5等。比如一些含有繁體字的頁面。比方www.google.com.hk首頁中用的就是big5碼,
不知道港臺的碼農同一時候處理簡體字繁體字是不是更郁悶 :)
python代碼編碼成jni,一直以來。python中的中文編碼就是一個大問題,為他他并不能智能識別編碼,而實際上其它語言也非常難做到。
在html的header里一般都能夠找到字符編碼比如:
python編碼聲明,當然這不是我們研究的重點,很多其它的時候是我們得知一個字符串是GBK編碼, 而要用print等正確的打印出來卻不easy...
首先,在python中提到unicode。一般指的是unicode對象,比如'哈哈'的unicode對象為u'\u54c8\u54c8'
而str是一個字節數組。這個字節數組表示的是對unicode對象編碼后(如utf-8、gbk、cp936、GB2312)的存儲的格式,這里它
python字符型?僅是一個字節流。沒有其他的含義,假設你想使這個字節流顯示的內容有意義,就必須用正確的編碼格式,解碼顯示。
比如:(注意是在windows下)
s = u'哈哈'
s_utf8 = s.encode('utf-8')
pirnt s_utf8
>>> 鍝堝搱
悲劇...
s_utf8這時實際上是'\xe5\x93\x88\xe5\x93\x88'
而以下的代碼才干夠正常顯示:
s_gdb = s.encode('gbk') # s_gdk 這時是'\xb9\xfe\xb9\xfe'
print s_gbk
>>> 哈哈 #正常了
由于print語句它的實現是將要輸出的內容傳 送了操作系統,操作系統會依據系統的編碼對輸入的字節流進行編碼。這就解釋了
utf-8格式的字符串“哈哈”,輸出的是“鍝堝搱”,由于 '\xe5\x93\x88\xe5\x93\x88'用GB2312去解釋,其顯示的出來就
“鍝堝搱”。
這里再強調一下,str記錄的是字節數組,僅僅是某種編碼的存儲格式,至于輸出到文件或是打印出來是什么格式。
全然取決其解碼的編碼將它解碼成什么樣子。
這里再對print進行一點補充說明:當將一個unicode對象傳給print時,在內部會將該unicode對象進行一次轉換,
轉換成本地默認編碼(這僅是個人推測)
str和unicode對象的轉換,通過encode和decode實現,詳細使用例如以下:再次強調windows下:
s = '哈哈'
print s.decode('gbk').encode('utf-8')
>>> 鍝堝搱
反之亦然,有興趣能夠嘗試其它轉換
有時當我們遇到把s(gbk字符串)直接編碼成utf-8的時候。將拋出異常,可是通過調用例如以下代碼:
import sys
reload(sys)
sys.setdefaultencoding('gbk')
后就能夠轉換成功。為什么呢?
在python中str和unicode在編碼和解碼過程中。假設將一個str直接編碼成還有一種編碼,會先把str解碼成unicode,
採用默認編碼,一般默認編碼是anscii,所以在上面演示樣例代碼中第一次轉換的時候會出錯。
當設定當前默認編碼為'gbk'后,就不會出錯了。
至于reload(sys)是由于Python2.5 初始化后會刪除 sys.setdefaultencoding 這種方法。我們須要又一次加載。
一般不推薦這樣使用。本來reload都是應該避免使用的函數。
對于操作不同文件的編碼格式的文件,也會遇到這種問題
建立一個文件test.txt,文件格式用ANSI,內容為:
abc中文
然后用python來讀取
# coding=gbk
print open("Test.txt").read()
結果:abc中文
把文件格式改成UTF-8:
結果:abc涓枃,顯然。這里須要解碼:
# coding=gbk
import codecs
print open("Test.txt").read().decode("utf-8")
結果:abc中文
上面的test.txt我是用Editplus來編輯的。但當我用Windows自帶的記事本編輯并存成UTF-8格式時,
執行時報錯:
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
原來,某些軟件,如notepad。在保存一個以UTF-8編碼的文件時,
會在文件開始的地方插入三個不可見的字符(0xEF 0xBB 0xBF,即BOM)。
因此我們在讀取時須要自己去掉這些字符。python中的codecs module定義了這個常量:
# coding=gbk
import codecs
data = open("Test.txt").read()
if data[:3] == codecs.BOM_UTF8:
data = data[3:]
print data.decode("utf-8")
結果:abc中文
最后,有些時候編碼搞對了,可是遇到了非法字符。比方產生字符串的來源錯誤發生。引入了錯誤值等,這時再次遇到異常
比如:全角空格往往有多種不同的實現方式。比方\xa3\xa0,或者\xa4\x57,
這些字符。看起來都是全角空格。但它們并非“合法”的全角空格
真正的全角空格是\xa1\xa1,因此在轉碼的過程中出現了異常。
而之前在處理新浪微博數據時。遇到了非法空格問題導致無法正確解析數據。
解決的方法:
將獲取的字符串strTxt做decode時。指明ignore。會忽略非法字符,
當然對于gbk等編碼,處理相同問題的方法是類似的
strTest = strTxt.decode('utf-8', 'ignore')
return strTest
默認的參數就是strict,代表遇到非法字符時拋出異常;
假設設置為ignore。則會忽略非法字符;
假設設置為replace。則會用?
號代替非法字符;
假設設置為xmlcharrefreplace,則使用XML的字符引用。
其它的以后遇到再總結.....
版权声明:本站所有资料均为网友推荐收集整理而来,仅供学习和研究交流使用。
工作时间:8:00-18:00
客服电话
电子邮件
admin@qq.com
扫码二维码
获取最新动态