(轉)Python字符串的encode與decode研究心得——解決亂碼問題

 

爲什麼Python使用過程中會出現各式各樣的亂碼問題,明明是中文字符卻顯示成“/xe4/xb8/xad/xe6/x96/x87”的形式?爲什麼會報錯“UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)”?本文就來研究一下這個問題。

字符串在Python內部的表示是unicode編碼,因此,在做編碼轉換時,通常需要以unicode作爲中間編碼,即先將其他編碼的字符串解碼(decode)成unicode,再從unicode編碼(encode)成另一種編碼。 

decode的作用是將其他編碼的字符串轉換成unicode編碼,如str1.decode('gb2312'),表示將gb2312編碼的字符串str1轉換成unicode編碼。 

encode的作用是將unicode編碼轉換成其他編碼的字符串,如str2.encode('gb2312'),表示將unicode編碼的字符串str2轉換成gb2312編碼。 

因此,轉碼的時候一定要先搞明白,字符串str是什麼編碼,然後decode成unicode,然後再encode成其他編碼


 

代碼中字符串的默認編碼與代碼文件本身的編碼一致。 

如:s='中文'

如果是在utf8的文件中,該字符串就是utf8編碼,如果是在gb2312的文件中,則其編碼爲gb2312。這種情況下,要進行編碼轉換,都需要先用decode方法將其轉換成unicode編碼,再使用encode方法將其轉換成其他編碼。通常,在沒有指定特定的編碼方式時,都是使用的系統默認編碼創建的代碼文件。 

如果字符串是這樣定義:s=u'中文'

則該字符串的編碼就被指定爲unicode了,即python的內部編碼,而與代碼文件本身的編碼無關。因此,對於這種情況做編碼轉換,只需要直接使用encode方法將其轉換成指定編碼即可。

 


如果一個字符串已經是unicode了,再進行解碼則將出錯,因此通常要對其編碼方式是否爲unicode進行判斷:

isinstance(s, unicode)  #用來判斷是否爲unicode 

用非unicode編碼形式的str來encode會報錯 

 


如何獲得系統的默認編碼? 

#!/usr/bin/env python
#coding=utf-8
import sys
print sys.getdefaultencoding()  

該段程序在英文WindowsXP上輸出爲:ascii 

 


在某些IDE中,字符串的輸出總是出現亂碼,甚至錯誤,其實是由於IDE的結果輸出控制檯自身不能顯示字符串的編碼,而不是程序本身的問題。 

如在UliPad中運行如下代碼:

s=u"中文"
print s 

會提示:UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)。這是因爲UliPad在英文WindowsXP上的控制檯信息輸出窗口是按照ascii編碼輸出的(英文系統的默認編碼是ascii),而上面代碼中的字符串是Unicode編碼的,所以輸出時產生了錯誤。

將最後一句改爲:print s.encode('gb2312')

則能正確輸出“中文”兩個字。

若最後一句改爲:print s.encode('utf8')

則輸出:/xe4/xb8/xad/xe6/x96/x87,這是控制檯信息輸出窗口按照ascii編碼輸出utf8編碼的字符串的結果。

 


unicode(str,'gb2312')與str.decode('gb2312')是一樣的,都是將gb2312編碼的str轉爲unicode編碼 

使用str.__class__可以查看str的編碼形式

 


原理說了半天,最後來個包治百病的吧:)

 

 

 

 

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章