Python2.x中str与unicode相关问题的解决方法


Posted in Python onMarch 30, 2015

python2.x中处理中文,是一件头疼的事情。网上写这方面的文章,测次不齐,而且都会有点错误,所以在这里打算自己总结一篇文章。

我也会在以后学习中,不断的修改此篇博客。

这里假设读者已有与编码相关的基础知识,本文不再再次介绍,包括什么是utf-8,什么是unicode,它们之间有什么关系。
str与字节码

首先,我们完全不谈unicode。
 

s = "人生苦短"

s是个字符串,它本身存储的就是字节码。那么这个字节码是什么格式的?

如果这段代码是在解释器上输入的,那么这个s的格式就是解释器的编码格式,对于windows的cmd而言,就是gbk。

如果将段代码是保存后才执行的,比如存储为utf-8,那么在解释器载入这段程序的时候,就会将s初始化为utf-8编码。
unicode与str

我们知道unicode是一种编码标准,具体的实现标准可能是utf-8,utf-16,gbk ……

python 在内部使用两个字节来存储一个unicode,使用unicode对象而不是str的好处,就是unicode方便于跨平台。

你可以用如下两种方式定义一个unicode:
 

s1 = u"人生苦短"
s2 = unicode("人生苦短", "utf-8")
encode与decode

在python中的编码解码是这样的:

Python2.x中str与unicode相关问题的解决方法

所以我们可以写这样的代码:
 

# -*- coding:utf-8 -*-
su = "人生苦短"
# : su是一个utf-8格式的字节串
u = s.decode("utf-8")
# : s被解码为unicode对象,赋给u
sg = u.encode("gbk")
# : u被编码为gbk格式的字节串,赋给sg
print sg
# 打印sg

但是事实情况要比这个复杂,比如看如下代码:
 

s = "人生苦短"
s.encode('gbk')
看!str也能编码,(事实上unicode对象也能解码,但是意义不大)

这样为什么可以?看上图的编码流程的箭头,你就能想到原理,当对str进行编码时,会先用默认编码将自己解码为unicode,然后在将unicode编码为你指定编码。

这就引出了python2.x中在处理中文时,大多数出现错误的原因所在:python的默认编码,defaultencoding是ascii

看这个例子:
 

# -*- coding: utf-8 -*-
s = "人生苦短"
s.encode('gbk')

上面的代码会报错,错误信息:UnicodeDecodeError: ‘ascii' codec can't decode byte ……

因为你没有指定defaultencoding,所以它其实在做这样的事情:

# -*- coding: utf-8 -*-
s = "人生苦短"
s.decode('ascii').encode('gbk')

 
设置defaultencoding

设置defaultencoding的代码如下:

reload(sys)
sys.setdefaultencoding('utf-8')

如果你在python中进行编码和解码的时候,不指定编码方式,那么python就会使用defaultencoding。

比如上一节例子中将str编码为另一种格式,就会使用defaultencoding。
 

s.encode("utf-8") 等价于 s.decode(defaultencoding).encode("utf-8")

再比如你使用str创建unicode对象时,如果不说明这个str的编码格式,那么程序也会使用defaultencoding。
 

u = unicode("人生苦短") 等价于 u = unicode("人生苦短",defaultencoding)

默认的defaultcoding:ascii是许多错误的原因,所以早早的设置defaultencoding是一个好习惯。
文件头声明编码的作用。

这要感谢这篇博客关于python文件头部分知识的讲解。

顶部的:# -*- coding: utf-8 -*-目前看来有三个作用。

    如果代码中有中文注释,就需要此声明
    比较高级的编辑器(比如我的emacs),会根据头部声明,将此作为代码文件的格式。
    程序会通过头部声明,解码初始化 u”人生苦短”,这样的unicode对象,(所以头部声明和代码的存储格式要一致)

关于requests库

requests是一个很实用的Python HTTP客户端库,编写爬虫和测试服务器响应数据时经常会用到。

其中的Request对象在访问服务器后会返回一个Response对象,这个对象将返回的Http响应字节码保存到content属性中。

但是如果你访问另一个属性text时,会返回一个unicode对象,乱码问题就会常常发成在这里。

因为Response对象会通过另一个属性encoding来将字节码编码成unicode,而这个encoding属性居然是responses自己猜出来的。

官方文档:

    text
    Content of the response, in unicode.

    If Response.encoding is None, encoding will be guessed using chardet.

    The encoding of the response content is determined based solely on HTTP headers, following RFC 2616 to the letter. If you can take advantage of non-HTTP knowledge to make a better guess at the encoding, you should set r.encoding appropriately before accessing this property.

所以要么你直接使用content(字节码),要么记得把encoding设置正确,比如我获取了一段gbk编码的网页,就需要以下方法才能得到正确的unicode。
 

import requests
url = "http://xxx.xxx.xxx"
response = requests.get(url)
response.encoding = 'gbk'
 
print response.text

不仅仅要原理,更要使用方法!

如果是早期的我写博客,那么我一定会写这样的例子:

如果现在的文件编码为gbk,然后文件头为:# -*- coding: utf-8 -*-,再将默认编码设置为xxx,那么如下程序的结果会是……

这就类似于,当年学c的时候,用各种优先级,结合性,指针来展示自己水平的代码。

实际上这些根本就不实用,谁会在真正的工作中写这样的代码呢?我在这里想谈谈实用的处理中文的python方法。

基本设置

主动设置defaultencoding。(默认的是ascii)

代码文件的保存格式要与文件头部的# coding:xxx一致

如果是中文,程序内部尽量使用unicode,而不用str

关于打印

你在打印str的时候,实际就是直接将字节流发送给shell。如果你的字节流编码格式与shell的编码格式不相同,就会乱码。

而你在打印unicode的时候,系统自动将其编码为shell的编码格式,是不会出现乱码的。

程序内外要统一

如果说程序内部要保证只用unicode,那么在从外部读如字节流的时候,一定要将这些字节流转化为unicode,在后面的代码中去处理unicode,而不是str。

with open("test") as f:
 for i in f:
 # 将读入的utf-8字节流进行解码
 u = i.decode('utf-8')
 ....

如果把连接程序内外的这段数据流比喻成通道的的话,那么与其将通道开为字节流,读入后进行解码,不如直接将通道开为unicode的。
 

# 使用codecs直接开unicode通道
file = codecs.open("test", "r", "utf-8")
for i in file:
 print type(i)
 # i的类型是unicode的

所以python处理中文编码问题的关键是你要清晰的明白,自己在干什么,打算读入什么格式的编码,声明的的这些字节是什么格式的,str到unicode是如何转换的,str的一种编码到另一种编码又是如何进行的。 还有,你不能把问题变得混乱,要自己主动去维护一种统一。

Python 相关文章推荐
Python入门篇之数字
Oct 20 Python
Python对列表去重的多种方法(四种方法)
Dec 05 Python
Python之用户输入的实例
Jun 22 Python
在Python中使用defaultdict初始化字典以及应用方法
Oct 31 Python
使用PYTHON解析Wireshark的PCAP文件方法
Jul 23 Python
详解python列表(list)的使用技巧及高级操作
Aug 15 Python
用Python解数独的方法示例
Oct 24 Python
关于Numpy中的行向量和列向量详解
Nov 30 Python
python日期与时间戳的各种转换示例
Feb 12 Python
python lambda的使用详解
Feb 26 Python
如何用python清洗文件中的数据
Jun 18 Python
Python TypeError: ‘float‘ object is not subscriptable错误解决
Dec 24 Python
分享一个常用的Python模拟登陆类
Mar 29 #Python
python实现查询IP地址所在地
Mar 29 #Python
python实现定时播放mp3
Mar 29 #Python
Python实现设置windows桌面壁纸代码分享
Mar 28 #Python
Python中的类与对象之描述符详解
Mar 27 #Python
深入理解Javascript中的this关键字
Mar 27 #Python
Python运用于数据分析的简单教程
Mar 27 #Python
You might like
php Xdebug 调试扩展的安装与使用.
2010/03/13 PHP
PHP警告Cannot use a scalar value as an array的解决方法
2012/01/11 PHP
如何使用PHP计算上一个月的今天
2013/05/23 PHP
如何修改Laravel中url()函数生成URL的根地址
2017/08/11 PHP
thinkphp5.1框架模板布局与模板继承用法分析
2019/07/19 PHP
JQuery 动画卷页 返回顶部 动画特效(兼容Chrome)
2010/02/15 Javascript
js过滤HTML标签以及空格的思路及代码
2013/05/24 Javascript
JS实现局部选择打印和局部不选择打印
2014/04/03 Javascript
js实现网页自动刷新可制作节日倒计时效果
2014/05/27 Javascript
php,js,css字符串截取的办法集锦
2014/09/26 Javascript
JavaScript获取当前网页最后修改时间的方法
2015/04/03 Javascript
用JavaScript实现页面重定向功能的教程
2015/06/04 Javascript
jQuery+jsp实现省市县三级联动效果(附源码)
2015/12/03 Javascript
修复jQuery tablesorter无法正确排序的bug(加千分位数字后)
2016/03/30 Javascript
Vue.js开发环境搭建
2016/11/10 Javascript
浅谈JavaScript中promise的使用
2017/01/11 Javascript
详解nodejs微信公众号开发——1.接入微信公众号
2017/04/10 NodeJs
老生常谈jacascript DOM节点获取
2017/04/17 Javascript
JavaScript 中调用 Kotlin 方法实例详解
2017/06/09 Javascript
three.js实现3D影院的原理的代码分析
2017/12/18 Javascript
js+for循环实现字符串自动转义的代码(把后面的字符替换前面的字符)
2020/12/24 Javascript
Python简单检测文本类型的2种方法【基于文件头及cchardet库】
2016/09/18 Python
python音频处理用到的操作的示例代码
2017/10/27 Python
python 实现将文件或文件夹用相对路径打包为 tar.gz 文件的方法
2019/06/10 Python
python循环定时中断执行某一段程序的实例
2019/06/29 Python
Python日志无延迟实时写入的示例
2019/07/11 Python
Snapfish英国:在线照片打印和个性化照片礼品
2017/01/13 全球购物
使用索引有什么好处
2016/07/27 面试题
大学本科生的个人自我评价
2013/12/09 职场文书
仓库管理专业个人的自我评价
2013/12/30 职场文书
国家税务局干部作风整顿整改措施
2014/09/18 职场文书
美国旅游签证工作证明
2014/10/14 职场文书
12.4全国法制宣传日活动总结
2014/11/01 职场文书
房地产销售助理岗位职责
2015/04/14 职场文书
公安干警正风肃纪心得体会
2016/01/15 职场文书
python套接字socket通信
2022/04/01 Python