Python字符编码问题

python对多国语言的处理是支持的很好的，它能够处理如今任意编码的字符，这里深刻的研究一下python对多种不一样语言的处理。

有一点须要清楚的是，当python要作编码转换的时候，会借助于内部的编码，转换过程是这样的：

原有编码 -> 内部编码 -> 目的编码

python的内部是使用unicode来处理的，可是unicode的使用须要考虑的是它的编码格式有两种，一是UCS-2，它一共有65536个码 位，另外一种是UCS-4，它有2147483648g个码位。对于这两种格式，python都是支持的，这个是在编译时经过--enable- unicode=ucs2或--enable-unicode=ucs4来指定的。那么咱们本身默认安装的python有的什么编码怎么来肯定呢？有一个 办法，就是经过sys.maxunicode的值来判断：

import  sys

print  sys.maxunicode

若是输出的值为65535,那么就是UCS-2,若是输出是1114111就是UCS-4编码。

咱们要认识到一点：当一个字符串转换为内部编码后，它就不是str类型了！它是unicode类型：

a  =   " 风卷残云 "

print  type(a)

b  =  a.unicode(a,  " gb2312 " )

print  type(b)

输出：

这个时候b能够方便的任意转换为其余编码，好比转换为utf-8:

c  =  b.encode( " utf-8 " )

print  c

c输出的东西看起来是乱码，那就对了，由于是utf-8的字符串。

好了，该说说codecs模块了，它和我上面说的概念是密切相关的。codecs专门用做编码转换，固然，其实经过它的接口是能够扩展到其余关于代码方面的转换的，这个东西这里不涉及。

# -*- encoding: gb2312 -*-

import  codecs, sys

print   ' - ' * 60

#  建立gb2312编码器

look   =  codecs.lookup( " gb2312 " )

#  建立utf-8编码器

look2  =  codecs.lookup( " utf-8 " )

a  =   " 我爱北京 "

print  len(a), a

#  把a编码为内部的unicode, 但为何方法名为decode呢，个人理解是把gb2312的字符串解码为unicode

b  =  look.decode(a)

#  返回的b[0]是数据，b[1]是长度，这个时候的类型是unicode了

print  b[ 1 ], b[0], type(b[0])

#  把内部编码的unicode转换为gb2312编码的字符串，encode方法会返回一个字符串类型

b2  =  look.encode(b[0])

#  发现不同的地方了吧？转换回来以后，字符串长度由14变为了7! 如今的返回的长度才是真正的字数，原来的是字节数

print  b2[ 1 ], b2[0], type(b2[0])

#  虽然上面返回了字数，但并不意味着用len求b2[0]的长度就是7了，仍然仍是14，仅仅是codecs.encode会统计字数

print  len(b2[0])

上面的代码就是codecs的使用，是最多见的用法。另外还有一个问题就是，若是咱们处理的文件里的字符编码是其余类型的呢？这个读取进行作处理也须要特殊的处理的。codecs也提供了方法.

# -*- encoding: gb2312 -*-

import  codecs, sys

#  用codecs提供的open方法来指定打开的文件的语言编码，它会在读取的时候自动转换为内部unicode

bfile  =  codecs.open( " dddd.txt " ,  ' r ' ,  " big5 " )

# bfile = open("dddd.txt", 'r')

ss  =  bfile.read()

bfile.close()

#  输出，这个时候看到的就是转换后的结果。若是使用语言内建的open函数来打开文件，这里看到的一定是乱码

print  ss, type(ss)