Python的中文字符乱码

打算用Python解析一下网络日志文件。

必然地遇上了中文乱码的问题。

小弟以前学Java，用Python解决中文乱码的问题真不知道如何入手。

在Java下面调试通过的代码，放在Python环境下就给我闹脾气了。

 

费我九牛二虎之力，终于在一位Oschina大大的帮助下问题解决了。

Python编码的思路主要是：

1.字符串

2.Unicode

3.目标编码集 其中（CP936,GB2312,GBK,GB18030貌似可以互相直接转换，大部分的编码是一样的）

 

了解Python的系统编码的结构，先看下以下的一段代码：

import locale 
  
def p(f): 
    print '%s.%s(): %s' % (f.__module__, f.__name__, f()) 
  
# 返回当前系统所使用的默认字符编码 
p(sys.getdefaultencoding) 
  
# 返回用于转换Unicode文件名至系统文件名所使用的编码 
p(sys.getfilesystemencoding) 
  
# 获取默认的区域设置并返回元祖(语言, 编码) 
p(locale.getdefaultlocale) 
  
# 返回用户设定的文本数据编码 
# 文档提到this function only returns a guess 
p(locale.getpreferredencoding) 
  
# \xba\xba是'汉'的GBK编码 
# mbcs是不推荐使用的编码，这里仅作测试表明为什么不应该用 
print r"'\xba\xba'.decode('mbcs'):", repr('\xba\xba'.decode('mbcs')) 
  
#在笔者的Windows上的结果(区域设置为中文(简体, 中国)) 
#sys.getdefaultencoding(): gbk 
#sys.getfilesystemencoding(): mbcs 
#locale.getdefaultlocale(): ('zh_CN', 'cp936') 
#locale.getpreferredencoding(): cp936 
#'\xba\xba'.decode('mbcs'): u'\u6c49'

 学习Python的时候，有个repr()函数。

这个函数是用来揭示字符串的本来面目！！

同样是  “你好”

utf-8的格式是 \\xc4\\xe3\\xba\\xc3

GBK格式是  u'\\u4f60\\u597d

当你不了解你的字符编码的格式，可以用repr函数打开它来看一下。

 

在编码转换的过程中，经常会有字节丢失，导致转换编码过程失败。

所以，我们会在编码转换过程中加上 ignore 并打印错误异常：

import sys 
import urllib

def urlResolve(url):
	try:
		output = url.decode('utf8','ignore').encode('gbk')
		return output
	except:
		print  ' ERROR ',sys.exc_info(),url

 使用了ignore以后，就会忽略编码中的错误，尽可能地进行编码的翻译。

 

对于Python普通的py文件，往往会加上：

#!/usr/bin/env python
#coding=utf-8
或者

#!/usr/bin/env python
#coding=gbk
来指定文件的编码格式。