Python 中文 编码问题

<h1 class="title_txt">Python 中文 编码<cite class="fav_csdnstylebykimi"> </cite>

</h1>
<div class="blogstory">


<ol type="1">
<li>源程序里面的汉字，直接用普通字符串的方式写出来 '汉字'， 不要用unicode字符串的方式 u'汉字' </li>
<li class="gap">源程序保存为utf-8编码的文件，且文件头包含 #coding=utf-8 字眼。 其实，只要查找到了 "# coding 编码" 就行了，所以就算 乱写成encoding也无所谓。我个人喜欢
<p class="line891"><tt class="backtick">#coding="utf-8"</tt>
因为它象一个合法的python赋值语句 </p>
</li>
<li class="gap">要输出一个字符串或者已赋值的字符串变量，需要
<p class="line891"><tt class="backtick">printunicode('汉字','utf-8')</tt>
糟糕的是，这里我们不能省略编码方式让其使用文件头指定的utf-8 因为我在py24上省略没有问题，但是py25就会报错 </p>
</li>
<li class="gap">使用字符串作为函数调用的参数时，需要先转换为unicode对象 </li>
<li class="gap">unicode+str之后返回的就是unicode，所以print这样的值，不需要再次转换 </li>
<li class="gap">
<p class="line862">print类的实例（或者对实例使用str函数）的时候，调用的是<tt class="backtick">__str__</tt>
函数， 返回的也是str类型的对象。这样的话，会报错的 unicode(对象)，首先查找的是<tt class="backtick">__unicode__</tt>
函数，并将其值作为返回值；如果找不到， 则使用<tt class="backtick">__str__</tt>
函数 </p>
</li>
<li class="gap">如果变量是raw_input进来的，则该变量是一个str类型的对象，需要使用
<ul>
<li>
<p class="line862">a)<tt class="backtick">unicode(变量,sys.stdin.encoding)</tt>
</p>
</li>
</ul>
或者
<ul>
<li>
<p class="line862">b)<tt class="backtick">name.decode(sys.stdin.encoding)</tt>
</p>
</li>
</ul>
先转换为unicode对象 </li>
<li class="gap">对于文件的io，应该使用codecs.open </li>
</ol>
<h4 id="A.2B.2FwhOAP8JU59Zy1wdi9U-">（一）原始尝试</h4>
<p class="line862">用记事本创建一个文件<a class="nonexistent" href="http://wiki.woodpecker.org.cn/moin/ChineseTest">ChineseTest</a>
.py，默认ANSI： </p>
<pre>s = "中文"<br>
print s</pre>
<p class="line862">测试一下瞧瞧：</p>
<pre>E:/Project/Python/Test&gt;python ChineseTest.py<br>
  File "ChineseTest.py", line 1<br>
SyntaxError: Non-ASCII character '/xd6' in file ChineseTest.py on line 1, but no encoding declared; see http://www.pytho<br>
n.org/peps/pep-0263.html for details</pre>
<p class="line874">}偷偷地把文件编码改成UTF-8： </p>
<pre>E:/Project/Python/Test&gt;python ChineseTest.py<br>
  File "ChineseTest.py", line 1<br>
SyntaxError: Non-ASCII character '/xe4' in file ChineseTest.py on line 1, but no encoding declared; see http://www.pytho<br>
n.org/peps/pep-0263.html for details</pre>
<p class="line874">无济于事。。。 既然它提供了网址，那就看看吧。简单地浏览一下，终于知道如果文件里有非ASCII字符，需要在第一行或第二行指定编码声明。把<a class="nonexistent" href="http://wiki.woodpecker.org.cn/moin/ChineseTest">ChineseTest</a>
.py文件的编码重新改为ANSI，并加上编码声明： </p>
<pre># coding=gbk<br>
s = "中文"<br>
print s</pre>
<p class="line874">再试一下： </p>
<pre>E:/Project/Python/Test&gt;python ChineseTest.py<br>
中文</pre>
<p class="line874">正常咯：）
</p>
<h4 id="A.2B.2FwhOjP8J_.2BdwtOAHcLW4N2hJV.2FXqY-">（二） 看一看它的长度</h4>
<p class="line867"></p>
<pre># coding=gbk<br>
s = "中文"<br>
print len(s)</pre>
<p class="line862">结果：<tt class="backtick">4</tt>
</p>
<p class="line874">s这里是str类型，所以计算的时候一个中文相当于两个英文字符，因此长度为4。 我们这样写:</p>
<pre># coding=gbk<br>
s = "中文"<br>
s1 = u"中文"<br>
s2 = unicode(s, "gbk") #省略参数将用python默认的ASCII来解码<br>
s3 = s.decode("gbk") #把str转换成unicode是decode，unicode函数作用与之相同<br>
print len(s1)<br>
print len(s2)<br>
print len(s3)</pre>
<p class="line862">结果：</p>
<pre>2<br>
2<br>
2</pre>
<p class="line867"></p>
<h4 id="A.2B.2FwhOCf8J-">（三）</h4>
<p class="line874">接着来看看文件的处理： 建立一个文件test.txt，文件格式用ANSI，内容为: </p>
<pre>abc中文</pre>
<p class="line874">用python来读取 {{{# coding=gbk print open("Test.txt").read() }}} 结果：<tt class="backtick">abc中文</tt>
</p>
<p class="line874">把文件格式改成UTF-8： </p>
<p class="line862">结果：<tt class="backtick">abc涓枃</tt>
</p>
<p class="line874">显然，这里需要解码： </p>
<pre># coding=gbk<br>
import codecs<br>
print open("Test.txt").read().decode("utf-8")<br>
结果：abc中文</pre>
<p class="line874">上面的test.txt我是用Editplus来编辑的，但当我用Windows自带的记事本编辑并存成UTF-8格式时， 运行时报错：</p>
<pre>Traceback (most recent call last):<br>
  File "ChineseTest.py", line 3, in &lt;module&gt;<br>
    print open("Test.txt").read().decode("utf-8")<br>
UnicodeEncodeError: 'gbk' codec can't encode character u'/ufeff' in position 0: illegal multibyte sequence</pre>
<p class="line874">原来，某些软件，如notepad，在保存一个以UTF-8编码的文件时，会在文件开始的地方插入三个不可见的字符（0xEF 0xBB 0xBF，即BOM）。 因此我们在读取时需要自己去掉这些字符，python中的codecs module定义了这个常量： </p>
<pre># coding=gbk<br>
import codecs<br>
data = open("Test.txt").read()<br>
if data[:3] == codecs.BOM_UTF8:<br>
data = data[3:]<br>
print data.decode("utf-8")<br>
结果：abc中文</pre>
<p class="line867"></p>
<h4 id="A.2B.2FwhW2.2F8JTgBwuZBXdVmV7piY-">（四）一点遗留问题</h4>
<p class="line874">在第二部分中，我们用unicode函数和decode方法把str转换成unicode。为什么这两个函数的参数用"gbk"呢？ 第一反应是我们的编码声明里用了gbk(# coding=gbk)，但真是这样？ 修改一下源文件： </p>
<pre># coding=utf-8<br>
s = "中文"<br>
print unicode(s, "utf-8")</pre>
<p class="line862">运行，报错：</p>
<pre>Traceback (most recent call last):<br>
  File "ChineseTest.py", line 3, in &lt;module&gt;<br>
    s = unicode(s, "utf-8")<br>
UnicodeDecodeError: 'utf8' codec can't decode bytes in position 0-1: invalid data</pre>
<p class="line874">显然，如果前面正常是因为两边都使用了gbk，那么这里我保持了两边utf-8一致，也应该正常，不至于报错。 更进一步的例子，如果我们这里转换仍然用gbk： </p>
<pre># coding=utf-8<br>
s = "中文"<br>
print unicode(s, "gbk")<br>
结果：中文</pre>
<p class="line874">翻阅了一篇英文资料，它大致讲解了python中的print原理： </p>
<ul>
<li>When
Python executes a print statement, it simply passes the output to the
operating system (using fwrite() or something like it), and some other
program is responsible for actually displaying that output on the
screen. For example, on Windows, it might be the Windows console
subsystem that displays the result. Or if you're using Windows and
running Python on a Unix box somewhere else, your Windows <a class="ml-smartlink" href="http://en.wikipedia.org/wiki/Ssh_client">SSH client</a>
is actually responsible for displaying the data. If you are running
Python in an xterm on Unix, then xterm and your X server handle the
display. </li>
<li class="gap">To print data reliably, you must know the encoding that this display program expects. </li>
</ul>
<p class="line874">简单地说，python中的print直接把字符串传递给操作系统，所以你需要把str解码成与操作系统一致的格式。Windows使用CP936(几乎与gbk相同)，所以这里可以使用gbk。 最后测试：</p>
<pre># coding=utf-8<br>
s = "中文"<br>
print unicode(s, "cp936")<br>
结果：中文</pre>
</div>