Python的中文字符乱码
打算用Python解析一下网络日志文件。必然地遇上了中文乱码的问题。
小弟以前学Java，用Python解决中文乱码的问题真不知道如何入手。
在Java下面调试通过的代码，放在Python环境下就给我闹脾气了。
费我九牛二虎之力，终于在一位Oschina大大的帮助下问题解决了。
Python编码的思路主要是：
1.字符串
2.Unicode
3.目标编码集 其中（CP936,GB2312,GBK,GB18030貌似可以互相直接转换，大部分的编码是一样的）
了解Python的系统编码的结构，先看下以下的一段代码：
import locale
def p(f):
print '%s.%s(): %s' % (f.__module__, f.__name__, f())
# 返回当前系统所使用的默认字符编码
p(sys.getdefaultencoding)
# 返回用于转换Unicode文件名至系统文件名所使用的编码
p(sys.getfilesystemencoding)
# 获取默认的区域设置并返回元祖(语言, 编码)
p(locale.getdefaultlocale)
# 返回用户设定的文本数据编码
# 文档提到this function only returns a guess
p(locale.getpreferredencoding)
# \xba\xba是'汉'的GBK编码
# mbcs是不推荐使用的编码，这里仅作测试表明为什么不应该用
print r"'\xba\xba'.decode('mbcs'):", repr('\xba\xba'.decode('mbcs'))
#在笔者的Windows上的结果(区域设置为中文(简体, 中国))
#sys.getdefaultencoding(): gbk
#sys.getfilesystemencoding(): mbcs
#locale.getdefaultlocale(): ('zh_CN', 'cp936')
#locale.getpreferredencoding(): cp936
#'\xba\xba'.decode('mbcs'): u'\u6c49'
学习Python的时候，有个repr()函数。
这个函数是用来揭示字符串的本来面目！！
同样是 “你好”
utf-8的格式是 \\xc4\\xe3\\xba\\xc3
GBK格式是 u'\\u4f60\\u597d
当你不了解你的字符编码的格式，可以用repr函数打开它来看一下。
在编码转换的过程中，经常会有字节丢失，导致转换编码过程失败。
所以，我们会在编码转换过程中加上 ignore 并打印错误异常：
import sys
import urllib
def urlResolve(url):
try:
output = url.decode('utf8','ignore').encode('gbk')
return output
except:
print' ERROR ',sys.exc_info(),url
使用了ignore以后，就会忽略编码中的错误，尽可能地进行编码的翻译。
对于Python普通的py文件，往往会加上：
#!/usr/bin/env python
#coding=utf-8
或者
#!/usr/bin/env python
#coding=gbk
来指定文件的编码格式。
页:
[1]