Python for Windows 中文编码问题汇总

1. 关于python编码的基本常识

   • 在python里面 “明文”是unicode类型 “密文”是其他的编码格式 如gbk utf-8 latin-1等等
   • 编码: “明文”->”密文” .encode([目标编码格式]) 对象必须为unicode类型
   • 解码: “密文”->”明文” .decode([源编码格式]) 对象为str类型
   • 对于汉字 一共有三大类编码方式
     
     • 以中文汉字”李”为例子
     • a. unicode类 机器码 \x67\x4e
       
       • unicode(python表示) \u674e
       • HTML Entity 李
       • UTF-16(BE) 0x674E
       • UTF-32(BE) 0x0000674E
     • b. UTF-8类 机器码 \xe6\x9d\x8e
       
       • UTF-8(python表示) \xe6\x9d\x8e
       • URL Escape Code %E6%9D%8E
       • Octal Escape Sequence \346\235\216
     • c. gb类 机器码 \xc0\xee
       
       • gb2312 gbk gb18030 \xc0\xee

2. 设置.py文件的编码格式

   • .py文件中出现的字符串文字量的编码格式
   • 包括前面带u的(转换成unicode格式的字符串) 首先也是根据设置的文件编码格式读取字符串文字量 再作unicode的转换
   • 如果没加coding编码的设置 将默认设置为操作系统的默认编码
   • 操作系统的默认编码 windows下为ascii
     
     • 可以从出错信息看出来
       
SyntaxError: Non-ASCII character '\xe6' in file... , but no encoding declared;

     • 另外从sys.getdefaultencoding()亦可得知
       
>>> sys.getdefaultencoding()
'ascii'


   • 设置方式 在.py文件首部 加上代码

         #coding=

     • 根据不同的编辑器，确定不同的
     • Sublime Text编辑器:
       
       • 由于ST编辑器默认即为UTF-8编码 所以为utf-8
     • 系统自带的记事本:
       
       • 记事本默认编码为ascii/gbk(“另存为”中编码选项为”ANSI”) 要正确读取.py文件里的中文 设置为gbk
       • 记事本”另存为”的4种编码方式含义
         
         • ANSI: 对英文系统即ASCII 对中文系统即gbk/big5
         • Unicode: UTF-16(LE)
         • Unicode big endian: UTF-16(BE)
         • UTF-8

3. 字符串文字量的类型

   • 前面加u 为’unicode’类型

         >>> str_u = u"中文"
         >>> type(str_u)
         'unicode'>

   • 前面不加u 为’str’类型

         >>> str = str_u.encode('gbk')
         >>> type(str)
         <type 'str'>
         >>> str1 = "中文"
         >>> type(str1)
         <type 'str'>

4. 关于print输出中文字符串

   • unicode类型 编码为’gbk’均可正常显示文字

         >>> str = "中文"
         >>> print str
         中文
         >>> str_u = u"中文"
         >>> print str_u
         中文

   • 编码为’ascii’ 则会出现UnicodeEncodeError错误

         >>> print str_u.encode('ascii')
         Traceback (most recent call last):
           File "", line 1, in 
         UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

   • 编码为’utf-8’ 则会乱码显示

         >>> print str_u.encode('utf-8')
         涓枃

5. Windows的文件/文件夹的中文名字

   • 都是gbk编码
   • 所以在读写文件/文件夹名字时 必须先.encode('gbk')

6. Windows读写文件内容

   • 跟文件名字不一样，文件内容的编码视需求而定(gbk/utf-8)
   • 建议编码成utf-8 这样Sublime Text打开后不需要ConvertToUTF8

7. 爬虫结果的存储

   • 现在的网页基本都是UTF-8编码(HTML5默认编码)
   • 经过BeautifulSoup处理后的HTML元素内容 类型为NavigableString
   • 可以直接print 由第3点可推断出 NavigableString底层类型为unicode
   • 经过.replace()方法后可转换为unicode类型

8. 日语假名和日语汉字

   • 上述说明中所有涉及’gbk’编码的中文处理方式 同样适用于日语假名和汉字

9. 其他

   • 这篇文章提倡的最佳实践
     - 不使用sys.setdefaultencoding(‘utf-8’)解决编码问题
     - 字符串中间处理过程全部转化为unicode处理 只在数据的入口和出口作相应的.decode()和.encode()处理
   • 查阅文字的unicode类编码和UTF-8类编码