詳解python中文編碼問(wèn)題

 1.        在Python中使用中文

在Python中有兩種默認(rèn)的字符串：str和unicode。在Python中一定要注意區(qū)分“Unicode字符串”和“unicode對(duì)象”的區(qū)別。后面所有的“unicode字符串”指的都是python里的“unicode對(duì)象”。

事實(shí)上在Python中并沒(méi)有“Unicode字符串”這樣的東西，只有“unicode”對(duì)象。一個(gè)傳統(tǒng)意義上的unicode字符串完全可以用str對(duì)象表示。只是這時(shí)候它僅僅是一個(gè)字節(jié)流，除非解碼為unicode對(duì)象，沒(méi)有任何實(shí)際的意義。

我們用“哈哈”在多個(gè)平臺(tái)上測(cè)試，其中“哈”對(duì)應(yīng)的不同編碼是：

1．              UNICODE (UTF8-16)，      C854；

2．              UTF-8，                    E59388；

3．              GBK，               B9FE。

1.1     Windows控制臺(tái)

下面是在windows控制臺(tái)的運(yùn)行結(jié)果：

可以看出在控制臺(tái)，中文字符的編碼是GBK而不是UTF-16。將字符串s（GBK編碼）使用decode進(jìn)行解碼后，可以得到同等的unicode對(duì)象。

注意：可以在控制臺(tái)打印ss并不代表它可以直接被序列化，比如：

向文件直接輸出ss會(huì)拋出同樣的異常。在處理unicode中文字符串的時(shí)候，必須首先對(duì)它調(diào)用encode函數(shù)，轉(zhuǎn)換成其它編碼輸出。這一點(diǎn)對(duì)各個(gè)環(huán)境都一樣。

總結(jié)：在Python中，“str”對(duì)象就是一個(gè)字節(jié)數(shù)組，至于里面的內(nèi)容是不是一個(gè)合法的字符串，以及這個(gè)字符串采用什么編碼（gbk, utf-8, unicode）都不重要。這些內(nèi)容需要用戶自己記錄和判斷。這些的限制也同樣適用于“unicode”對(duì)象。要記住“unicode”對(duì)象中的內(nèi)容可絕對(duì)不一定就是合法的unicode字符串，我們很快就會(huì)看到這種情況。

總結(jié)：在windows的控制臺(tái)上，支持gbk編碼的str對(duì)象和unicode編碼的unicode對(duì)象。

1.2     Windows IDLE（在Shell上運(yùn)行）

在windows下的IDLE中，運(yùn)行效果和windows控制臺(tái)不完全一致：

可以看出，對(duì)于不使用“u”作標(biāo)識(shí)的字符串，IDLE把其中的中文字符進(jìn)行GBK編碼。但是對(duì)于使用“u”的unicode字符串，IDLE居然一樣是用了GBK編碼，不同的是，這時(shí)候每一個(gè)字符都是unicode（對(duì)象）字符??！此時(shí)len(ss) = 4。

這樣產(chǎn)生了一個(gè)神奇的問(wèn)題，現(xiàn)在的ss無(wú)法在IDLE中正常顯示。而且我也沒(méi)有辦法把ss轉(zhuǎn)換成正常的編碼！比如采用下面的方法：

這有可能是因?yàn)镮DLE本地化做得不夠好，對(duì)中文的支持有問(wèn)題。建議在IDLE的SHELL中，不要使用u“中文”這種方式，因?yàn)檫@樣得到的并不是你想要的東西。

這同時(shí)說(shuō)明IDLE的Shell支持兩種格式的中文字符串：GBK編碼的“str”對(duì)象，和UNICODE編碼的unicode對(duì)象。

1.3     在IDLE上運(yùn)行代碼

在IDLE的SHELL上運(yùn)行文件，得到的又是不同的結(jié)果。文件的內(nèi)容是：

直接運(yùn)行的結(jié)果是：

毫無(wú)瑕疵，相當(dāng)令人滿意。我沒(méi)有試過(guò)其它編碼的文件是否能正常運(yùn)行，但想來(lái)應(yīng)該是不錯(cuò)的。

同樣的代碼在windows的控制臺(tái)試演過(guò)，也沒(méi)有任何問(wèn)題。

 1.4     Windows Eclipse

在Eclipse中處理中文更加困難，因?yàn)樵贓clipse中，編寫(xiě)代碼和運(yùn)行代碼屬于不同的窗口，而且他們可以有不同的默認(rèn)編碼。對(duì)于如下代碼：

#!/usr/bin/python
# -*- coding: utf-8 -*-
 
s = "哈哈"
ss = u'哈哈'
 
print repr(s)
print repr(ss)
 
print s.decode('utf-8').encode('gbk')
print ss.encode('gbk')
 
print s.decode('utf-8')
print ss

前四個(gè)print運(yùn)行正常，最后兩個(gè)print都會(huì)拋出異常：
'/xe5/x93/x88/xe5/x93/x88'
u'/u54c8/u54c8'
哈哈
哈哈
Traceback (most recent call last):
 File "E:/Workspace/Eclipse/TestPython/Test/test_encoding_2.py", line 13, in module>
    print s.decode('utf-8')
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

也就是說(shuō)，GBK編碼的str對(duì)象可以正常打印，但是不能打印UNICODE編碼的unicode對(duì)象。在源文件上點(diǎn)擊“Run as”“Run”，然后在彈出對(duì)話框中選擇“Common”：

可以看出Eclipse控制臺(tái)的缺省編碼方式是GBK；所以不支持UNICODE也在情理之中。如果把文件中的coding修改成GBK，則可以直接打印GBK編碼的str對(duì)象，比如s。

如果把源文件的編碼設(shè)置成“UTF-8”，把控制臺(tái)的編碼也設(shè)置成“UTF-8”，按道理說(shuō)打印的時(shí)候應(yīng)該沒(méi)有問(wèn)題。但是實(shí)驗(yàn)表明，在打印UTF-8編碼的str對(duì)象時(shí)，中文的最后一個(gè)字符會(huì)顯示成亂碼，無(wú)法正常閱讀。不過(guò)我已經(jīng)很滿足了，至少人家沒(méi)有拋異常不是:)

BTW: 使用的Eclipse版本是3.2.1。

1.5     從文件讀取中文

在window下面用記事本編輯文件的時(shí)候，如果保存為UNICODE或UTF-8，分別會(huì)在文件的開(kāi)頭加上兩個(gè)字節(jié) “/xFF/xFE” 和三個(gè)字節(jié)“/xEF/xBB/xBF”。在讀取的時(shí)候就可能會(huì)遇到問(wèn)題，但是不同的環(huán)境對(duì)這幾個(gè)多于字符的處理也不一樣。

以windows下的控制臺(tái)為例，用記事本保存三個(gè)不同版本的“哈哈”。  

打開(kāi)utf-8格式的文件并讀取utf-8字符串后，解碼變成unicode對(duì)象。但是會(huì)把附加的三個(gè)字符同樣進(jìn)行轉(zhuǎn)換，變成一個(gè)unicode字符，字符的數(shù)據(jù)值為“/xFF/xFE”。這個(gè)字符不能被打印。編碼的時(shí)候需要跳過(guò)這個(gè)字符。

打開(kāi)unicode格式的文件后，得到的字符串正確。這時(shí)候適用utf-16解碼，能得到正確的unicdoe對(duì)象，可以直接使用。多余的那個(gè)填充字符在進(jìn)行轉(zhuǎn)換時(shí)會(huì)被過(guò)濾掉。  

打開(kāi)ansi格式的文件后，沒(méi)有填充字符，可以直接使用。
結(jié)論：讀寫(xiě)使用python生成的文件沒(méi)有任何問(wèn)題，但是在處理由notepad生成的文本文件時(shí)，如果該文件可能是非ansi編碼，需要考慮如何處理填充字符。

1.6     在數(shù)據(jù)庫(kù)中使用中文

剛剛接觸Python，我用的數(shù)據(jù)庫(kù)是mysql。在執(zhí)行插入、查找等操作時(shí)，如果運(yùn)行環(huán)境使用的字符編碼和mysql不一致，就可能導(dǎo)致運(yùn)行時(shí)的錯(cuò)誤。當(dāng)然，和上面看到的情況一樣，運(yùn)行環(huán)境并不是關(guān)鍵因素，關(guān)鍵是查詢(xún)語(yǔ)句的編碼方式。如果在每次執(zhí)行查詢(xún)操作時(shí)都把查詢(xún)字符串做一次編碼轉(zhuǎn)換，轉(zhuǎn)變成mysql的默認(rèn)字符編碼，一樣不會(huì)遇到問(wèn)題。但是這樣寫(xiě)代碼也太痛苦了吧。

使用如下代碼連接數(shù)據(jù)庫(kù)：

self.conn = MySQLdb.connect(use_unicode = 1, charset='utf8', **server)

我不能理解的是既然數(shù)據(jù)庫(kù)用的默認(rèn)編碼是UTF-8，我連接的時(shí)候也用的是UTF-8，為什么查詢(xún)得到的文本內(nèi)容卻是UNICODE編碼（unicode對(duì)象）？這是MySQLdb庫(kù)的設(shè)置么？

1.7     在XML中使用中文

使用xml.dom.minidom和MySQLdb類(lèi)似，對(duì)生成的dom對(duì)象調(diào)用toxml方法得到的是unicode對(duì)象。如果希望輸出utf-8文本，有兩種方法：

1．使用系統(tǒng)函數(shù)
在輸出xml文檔的時(shí)候進(jìn)行編碼，這是我覺(jué)得最好的方法。

xmldoc.toxml(encoding='utf-8')
xmldoc.writexml(outfile, encoding = ‘utf-8')

2．自己編碼生成

在使用toxml之后可以調(diào)用encode方法對(duì)文檔進(jìn)行編碼。但這種方法無(wú)法得到合適的xml declaration（xml文檔第一行中的encoding部分）。
不要嘗試通過(guò)xmldoc.createProcessingInstruction來(lái)創(chuàng)建一個(gè)processing instraction：

?xml version='1.0' encoding='utf-8'?>

xml declaration雖然看起來(lái)像是，但是事實(shí)上并不是一個(gè)processing instraction?？梢酝ㄏ旅娴姆椒ǖ玫揭粋€(gè)滿意的xml文件：

print >> outfile, “?xml version='1.0' encoding='utf-8'?>”
print >> outfile, xmldoc.toxml().encode(‘utf-8')[22:]

其中第二行需要過(guò)濾掉在調(diào)用xmldoc.toxml時(shí)生成的“?xml version='1.0' ?>”，它的長(zhǎng)度是22。

相面是兩種方法的用法比較：

另外，在IDLE的shell中，不要用 u'中文' 對(duì)屬性進(jìn)行賦值。上面討論過(guò)，這樣得到的unicode字符串不正確。

到此這篇關(guān)于python中文編碼問(wèn)題的文章就介紹到這了,更多相關(guān)中文編碼內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！