python的编码问题总结

上海isp

　　问题一：
　　当python中间处理非ASCII编码时，经常会出现如下错误：
UnicodeDecodeError: 'ascii' codec can't decode byte 0x?? in position 1: ordinal not in range(128)   
0x??是超出128的数字，python在默认的情况下认为语言的编码是ascii编码，所以无法处理其他编码，需要设置python的默认编码为所需要的编码。   
一个解决的方案是在代码中添加：
　　import sys
　　reload(sys)   
sys.setdefaultencoding('gb2312')
　　解释：
　　sys.setdefaultencoding方法在python导入site.py后就删除了(具体代码查看site.py就可以看到)因此如果想用的话可以：
　　在确定sys已经导入的情况下，使用：   
reload(sys)
　　
　　问题二：
　　You need to deal with data that doesn't fit in the ASCII character set.
　　你需要处理不适合用ASCII字符集表示的数据.
　　#将Unicode转换成普通的Python字符串:"编码(encode)"   
unicodestring = u"Hello world"   
utf8string = unicodestring.encode("utf-8")   
asciistring = unicodestring.encode("ascii")   
isostring = unicodestring.encode("ISO-8859-1")   
utf16string = unicodestring.encode("utf-16")   
   
#将普通的Python字符串转换成Unicode: "解码(decode)"   
plainstring1 = unicode(utf8string, "utf-8")   
plainstring2 = unicode(asciistring, "ascii")   
plainstring3 = unicode(isostring, "ISO-8859-1")   
plainstring4 = unicode(utf16string, "utf-16")   
   
assert plainstring1==plainstring2==plainstring3==plainstring4
　　
　　python代码文件的编码
　　
　　py文件默认是ASCII编码，中文在显示时会做一个ASCII到系统默认编码的转换，这时就会出错：SyntaxError: Non-ASCII character。需要在代码文件的第一行或第二行添加编码指示：   
# coding=gbk   
print '中文'
　　
　　字符串的编码     
像上面那样直接输入的字符串是按照代码文件的编码来处理的，如果是unicode编码，有以下三种方式：   
s1 = u'中文'   
s2 = unicode('中文','gbk')   
s3 = s1.decode('gbk')
　　unicode是一个内置函数，第二个参数指示源字符串的编码格式。   
decode是任何字符串具有的方法，将字符串转换成unicode格式，参数指示源字符串的编码格式。   
encode也是任何字符串具有的方法，将字符串转换成参数指定的格式。
　　系统的默认编码     
对于中文系统来说，默认的是gbk，gb2312也可以，因为它是gbk的字集。使用print输出时，字符串会被转换成此格式，隐式转换时，是从代码文 件编码格式转换成gbk，默认是ASCII->GBK。考虑上面第二点，如果字符串编码不是ASCII，则隐式转换会出错，需要显式转换，使用 encode方法。如果指定了代码文件格式为gbk，则隐式转换不存在问题。   
# coding=gbk   
   
s = u'中文'   
print s.encode('gbk')
　　文件读写
　　只是ASCII或者gbk编码格式的的文件读写，比较简单，读写如下：
　　# coding=gbk   
   
f = open('c:/intimate.txt','r') # r 指示文件打开模式，即只读   
s1 = f.read()   
s2 = f.readline()   
s3 = f.readlines() #读出所有内容   
   
f.close()   
   
f = open('c:/intimate.txt','w') # w 写文件   
f.write(s1)   
f.writelines(s2) # 没有writeline   
f.close()
　　f.writelines不会输出换行符。   
unicode文件读写：   
# coding=gbk   
import codecs   
   
f = codecs.open('c:/intimate.txt','a','utf-8')   
f.write(u'中文')   
s = '中文'   
f.write(s.decode('gbk'))   
f.close()   
   
f = codecs.open('c:/intimate.txt','r','utf-8')   
s = f.readlines()   
f.close()   
for line in s:   
     print line.encode('gbk')
　　
　　总结
　　首先要搞清楚，字符串在Python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。
　　decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode('gb2312')，表示将gb2312编码的字符串转换成unicode编码。
　　encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode('gb2312')，表示将unicode编码的字符串转换成gb2312编码。
　　在某些IDE中，字符串的输出总是出现乱码，甚至错误，其实是由于IDE的结果输出控制台自身不能显示字符串的编码，而不是程序本身的问题。
　　如在UliPad中运行如下代码：
　　s=u"中文"   
print s
　　会提示：UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)。这是因为UliPad在英文WindowsXP上的控制台信息输出窗口是按照ascii编码输出的（英文系统的默认编码是ascii），而上面代码中的字符串是Unicode编码的，所以输出时产生了错误。
　　将最后一句改为：print s.encode('gb2312')
　　则能正确输出“中文”两个字。
　　若最后一句改为：print s.encode('utf8')
　　则输出：\xe4\xb8\xad\xe6\x96\x87，这是控制台信息输出窗口按照ascii编码输出utf8编码的字符串的结果。
　　Updated at: 2008.11.05
　　另外，代码中字符串的默认编码与代码文件本身的编码一致，如：
　　s='中文'
　　如果是在utf8的文件中，该字符串就是utf8编码，如果是在gb2312的文件中，则其编码为gb2312。 这种情况下，要进行编码转换，都需要先用decode方法将其转换成unicode编码，再使用encode方法将其转换成其他编码。通常，在没有指定特 定的编码方式时，都是使用的系统默认编码创建的代码文件，在这篇文章中可以看到如何获得系统的默认编码。
　　如果字符串是这样定义：
　　s=u'中文'
　　则该字符串的编码就被指定为unicode了，即python的内部编码，而与代码文件本身的编码无关。因此，对于这种情况做编码转换，只需要直接使用encode方法将其转换成指定编码即可。
　　如果一个字符串已经是unicode了，再进行解码则将出错，因此通常要对其编码方式是否为unicode进行判断：
　　isinstance(s, unicode) #用来判断是否为unicode