Python for Windows 中文编码汇总

  1. 关于python编码的基本常识

    • 在python里面 “明文”是unicode类型 “密文”是其他的编码格式 如gbk utf-8 latin-1等等
    • 编码: “明文”->”密文” .encode([目标编码格式]) 对象必须为unicode类型
    • 解码: “密文”->”明文” .decode([源编码格式]) 对象为str类型
    • 对于汉字 一共有三大类编码方式
      • 以中文汉字”李”为例子
      • a. unicode类 机器码 \x67\x4e
        • unicode(python表示) \u674e
        • HTML Entity &#x674E
        • UTF-16(BE) 0x674E
        • UTF-32(BE) 0x0000674E
      • b. UTF-8类 机器码 \xe6\x9d\x8e
        • UTF-8(python表示) \xe6\x9d\x8e
        • URL Escape Code %E6%9D%8E
        • Octal Escape Sequence \346\235\216
      • c. gb类 机器码 \xc0\xee
        • gb2312 gbk gb18030 \xc0\xee
  2. 设置.py文件的编码格式

    • .py文件中出现的字符串文字量的编码格式
    • 包括前面带u的(转换成unicode格式的字符串) 首先也是根据设置的文件编码格式读取字符串文字量 再作unicode的转换
    • 如果没加coding编码的设置 将默认设置为操作系统的默认编码
    • 操作系统的默认编码 windows下为ascii
      • 可以从出错信息看出来
          SyntaxError: Non-ASCII character '\xe6' in file... , but no encoding declared;
      
      • 另外从sys.getdefaultencoding()亦可得知
          >>> sys.getdefaultencoding()
          'ascii'
      
    • 设置方式 在.py文件首部 加上代码
      #coding=<encoding>
      • 根据不同的编辑器,确定不同的<encoding>
      • Sublime Text编辑器:
        • 由于ST编辑器默认即为UTF-8编码 所以<encoding>utf-8
      • 系统自带的记事本:
        • 记事本默认编码为ascii/gbk(“另存为”中编码选项为”ANSI”) 要正确读取.py文件里的中文 <encoding>设置为gbk
        • 记事本”另存为”的4种编码方式含义
          • ANSI: 对英文系统即ASCII 对中文系统即gbk/big5
          • Unicode: UTF-16(LE)
          • Unicode big endian: UTF-16(BE)
          • UTF-8
  3. 字符串文字量的类型

    • 前面加u 为’unicode’类型
        >>> str_u = u"中文"
        >>> type(str_u)
        <type 'unicode'>
    
    • 前面不加u 为’str’类型
        >>> str = str_u.encode('gbk')
        >>> type(str)
        <type 'str'>
        >>> str1 = "中文"
        >>> type(str1)
        <type 'str'>
    
  4. 关于print输出中文字符串

    • unicode类型 编码为’gbk’均可正常显示文字
        >>> str = "中文"
        >>> print str
        中文
        >>> str_u = u"中文"
        >>> print str_u
        中文
    
    • 编码为’ascii’ 则会出现UnicodeEncodeError错误
        >>> print str_u.encode('ascii')
        Traceback (most recent call last):
          File "<stdin>", line 1, in <module>
        UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)
    
    • 编码为’utf-8′ 则会乱码显示
        >>> print str_u.encode('utf-8')
        涓枃
    
  5. Windows的文件/文件夹的中文名字

    • 都是gbk编码
    • 所以在读写文件/文件夹名字时 必须先.encode('gbk')
  6. Windows读写文件内容

    • 跟文件名字不一样,文件内容的编码视需求而定(gbk/utf-8)
    • 建议编码成utf-8 这样Sublime Text打开后不需要ConvertToUTF8
  7. 爬虫结果的存储

    • 现在的网页基本都是UTF-8编码(HTML5默认编码)
    • 经过BeautifulSoup处理后的HTML元素内容 类型为NavigableString
    • 可以直接print 由第3点可推断出 NavigableString底层类型为unicode
    • 经过.replace()方法后可转换为unicode类型
  8. 日语假名和日语汉字

    • 上述说明中所有涉及’gbk’编码的中文处理方式 同样适用于日语假名和汉字
  9. 其他

    • 这篇文章提倡的最佳实践
      – 不使用sys.setdefaultencoding(‘utf-8’)解决编码问题
      – 字符串中间处理过程全部转化为unicode处理 只在数据的入口和出口作相应的.decode()和.encode()处理
    • 查阅文字的unicode类编码和UTF-8类编码
    原文作者:pcmwx
    原文地址: https://www.jianshu.com/p/e67863f98ec0
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞