五分钟战胜 Python 字符编码

2016-06-23 10:44:08 +08:00
 NxnXgpuPSfsIT

五分钟战胜 Python 字符编码

对于很多接触 Python 的人而言,字符的处理和语言整体的温顺可靠相比显得格外桀骜不驯难以驾驭。

本文不谈复杂的理论,就经验教你字符处理八字真言:确定编码,同类交互。

文章针对 Python 2.7 ,主要因为 3 对的编码已经有了很大的改善并且实际原理一样,更改一下操作命令即可。

了解完本文,你可以轻松解决文字处理,特殊平台( Windows?)下的编码,爬虫编码等问题。

阅读建议

本文分为如下几个部分:

如果想要了解我给出的使用习惯,可以直接跳到建议的使用习惯。

如果只想要解决相关问题可以直接跳到疑难问题解答。

希望本文能够帮到你。

原理

为了理解方便,这里不谈理论只做类比,具体想要进一步了解各种编码的理论的搜狗一下好了。

首先说一下我们为什么会碰到各式各样的编码问题:

再说一下编码是什么, Python 的编码看似复杂,实际上可以看做只有两类编码: Unicode ,二进制

#coding=utf8

# Unicode 编码演示
print('Unicode:')
print(repr(u'Unicode 编码'))`

# 二进制编码演示
print(u'二进制编码:')
print(repr('Unicode 编码'))`

# 只是看个样子,代码不必去深究

再说怎么做,就是只有同种编码之间才可以操作

就把一串数据比为烤鸭,我们作为人和鸭子不同种看待烤鸭的态度完全不一样。
我们看到的是晚上的配菜,鸭子看到的是自己二舅。
那么我在逛烤鸭店的时候用错编码就会报错。
因为我在烤鸭店看到了满世界的二舅。

最后说一下 Python 的环境

# 告知的命令就是下面这一行,删掉就会报错
#coding=utf8
print(u'测试编码')

具体操作

拿到各种编码的内容自然是不用说,那么如果我们想要自己构造怎么做呢,看下面:

#coding=utf8

# 字符串前面加 u 会默认构造出 Unicode 的字符串
unicodeString = u'Unicode 字符串'

# 字符串前面什么都不加会构造出默认编码(首行限定了现在的 utf8 )的字符串
utf8String = 'Utf-8 字符串'

# 当然,没有首行,默认的编码是 Ascii

那么他们之间怎么转换呢,同样很简单:

# 接上一段程序

# Unicode 转化为二进制编码中的一种: utf8
unicodeString.encode('utf8')

# 二进制编码根据自己的编码种类转化为 Unicode
utf8String.decode('utf8')

# 如果二进制编码中混进了奇怪的东西可以根据需求用特殊的 decode 策略
print(repr('u8 字\x00 符串'.decode('utf8', 'replace')))

那么怎么样会出现问题呢:

# 接上一段程序

# 如果我们把他们转化成同样的编码方式就可以操作(例如相加)
print(repr(unicodeString + utf8String.decode('utf8')))
print(repr(unicodeString.encode('utf8') + utf8String))

# 但如果不转化,当然就会出现满世界的烤鸭二舅啦
unicodeString + utf8String

# 所以另一方面也发现,编码转换是需要我们告诉程序怎么做的
# 所有`decode`操作都会生成 Unicode 编码,这是为了方便我之前说的大量接受 Unicode 的内部命令

所以我们需要确定程序使用的编码,这是我们需要告诉程序的东西

#coding=utf8
# 这里拿写入文件举例

# 一般使用 Unicode
with open('Unicode.txt', 'w') as f: f.write(u'Unicode 测试')

# 或者使用接收二进制编码的命令
with open('Utf8.txt', 'wb') as f: f.write('Utf8 测试')

# 你可以反过来做个测试,自然会报错
# 二进制的命令方便了在不知道怎么解码的情况下也能进行操作(写入文件)

我建议的使用习惯

相信到这里我已经把我对于编码的理解讲完了。

我们为什么会碰到各式各样的编码问题:

所以这里再重申一下八字真言:确定编码,同类交互

这里给出我的使用习惯:

记得在开始整个程序之前确定内部的编码,否则编码一团糟会产生很多不必要的 bug 。

不要迷信内部 Unicode ,例如 Evernote 开发就应该根据第三方包使用的 Utf8 确定内部编码。

疑难问题解答

编码识别

说了要确定编码,那么拿到一串二进制要怎么确定编码呢?

最简单的方法是chardet:(需要安装)

python -m pip install chardet

使用非常简单:

#coding=utf8

from chardet import detect
print(detect('这是一串 utf8 的测试字符'))

# 结果:`{'confidence': 0.99, 'encoding': 'utf-8'}`

另外例如抓取网站,那么头文件中很有可能有提示如何解码,记得不要忘记了。

编码转换

很可能因为字符串中参杂了奇怪的东西,导致即使编码种类正确,依旧无法解码。

我知道我之前讲过了,但可能有人直接跳疑难问题解答嘛。

这里可以使用decode的第二个参数:

#coding=utf8

# 字符串中混进了\x00
rubbishUtf8String = 'Utf-8 字\x00 符串'

print(repr(rubbishUtf8String.decode('utf8', 'replace')))

print(repr(rubbishUtf8String.decode('utf8', 'ignore')))

特殊平台下编码

很多人都说 Windows 是个坑,即使在 Python 3 下面也一样。

因为中文文件名出来都是乱码。

这里使用一个取巧的方法:平台编码再特殊,起码命令行读取和创建一个文件夹不会出乱码吧。

import sys, os

for folder in os.walk('.').next()[1]:
    print(folder.decode(sys.stdin.encoding))

同样的输入输出也可以这样做优化:

import sys

def sys_print(msg):
    print(msg.encode(sys.stdin.encoding))

def sys_input(msg):
    return raw_input(msg.encode(sys.stdin.encoding)).decode(sys.stdin.encoding)

文件写入

如果抓下来一个内容不知道怎么解码,但还是想要写入文件怎么办

写入文件的时候制定用二进制命令即可:

#coding=utf8
import urllib

with open('Utf8.txt', 'wb') as f: f.write('Utf8 测试')

# 比如抓了个网页,不知道编码也可以写入文件进行一系列操作

content = urllib.urlopen('http://www.baidu.com').read()
with open('baidu.txt', 'wb') as f: f.write(content)

裸 Unicode 字符

Unicode 存成六个 Ascii 字符怎么办?其实也可以decode

#coding=utf8
# 这是普通的 Unicode
s = u'测'
for i in s: print(i)
print(repr(s))

# 这是裸 Unicode ,实际存成了六个 Ascii
s = repr(s)[2:-1]
for i in s: print(i)
print(repr(s))

# 转化其实也很简单
s = s.decode('unicode-escape')
for i in s: print(i)
print(repr(s))

结束语

希望读完这篇文章能对你有帮助,有什么不足之处万望指正(鞠躬)。

有什么想法或者想要关注我的更新,欢迎来GithubStar或者Fork我的项目。

160623

LittleCoder

EOF

5915 次点击
所在节点    Python
23 条回复
louzhumuyou
2016-06-23 10:54:22 +08:00
赞一个,虽然看的懵懵懂懂的
magicdawn
2016-06-23 10:56:16 +08:00
pyenv install 3.5.1 # 哈哈
est
2016-06-23 11:05:04 +08:00
一本正经的胡说八道
NxnXgpuPSfsIT
2016-06-23 11:07:12 +08:00
@est 怎么说?
ryd994
2016-06-23 11:07:54 +08:00
没别的事就全用 Unicode ………
NxnXgpuPSfsIT
2016-06-23 11:08:11 +08:00
@magicdawn 很多时候碰到编码问题的第一建议都是,去用 3 ,哈哈
NxnXgpuPSfsIT
2016-06-23 11:11:36 +08:00
@ryd994 对的,非常赞同。不过出于严谨考虑,用第三方包之前还是可以考虑一下第三方包的编码,我写命令行印象笔记的时候中期才改 Utf8 编码方式,非常痛苦。
practicer
2016-06-23 11:16:43 +08:00
在自学 python 五个月后突然明白了编码问题,


抄代码抄得竟然想通了 =。=
NxnXgpuPSfsIT
2016-06-23 11:19:40 +08:00
@practicer 我也这样,也是悲伤
xiandao7997
2016-06-23 12:23:19 +08:00
@practicer 想通了那有分享吗?
practicer
2016-06-23 12:41:31 +08:00
@xiandao7997 没有很系统的了解,只有当遇到具体编码 error 时知道怎么调,我用 py2 入的门。

例如当返回的字符有编码错误,我先 type(x)查一下该结果是 string 还是 Unicode ,如果是 U ,直接 encode('GBK')或 encode('UTF-8'),此时如果仍然出错,看具体 error ,大多数情况那是因为结果中还存在连'GBK'或'UTF-8'编码都不认识的字符,这个时候用 encode('GBK', 'ignore'),即可过滤那部分不认识的字符, error 就消失了。
当 type(x)为 string 时,那么需要先解码为 Unicode 。选 decode('GBK')还是 decode('UTF-8'),或其他编码?需要先了解传入解释器的源字符串的编码格式,如果字符串来自于所爬取的是 utf-8 网页,则选 decode('UTF-8'),如果是 GBK ,则 decode('GBK')。 decode 后字符串转成了 unicode ,面对 Unicode ,和前面处理 Unicode 相同,根据自己的需求 encode 即可。
imn1
2016-06-23 14:01:15 +08:00
windows 还需要讲 cmd 上的输出, py3 输入不难解决
此外,不论什么语言,数据库的编码也是要重点讲的,很多人存入再读出后就傻眼了
imn1
2016-06-23 14:02:16 +08:00
另外,这文 5 分钟读不完
mozartgho
2016-06-23 14:31:17 +08:00
写的很不错,感谢分享!
zhangbohun
2016-06-23 14:32:13 +08:00
killerv
2016-06-23 14:32:48 +08:00
我是全用 unicode
nankingpython
2016-06-24 03:57:54 +08:00
https://www.v2ex.com/t/287940#reply0 看了你的貼字。为什么这样不行呢
dofine
2016-06-24 12:36:34 +08:00
本来感觉自己挺懂的…看完怎么更蒙蔽了……
shamashii
2016-06-24 13:10:03 +08:00
然而一些 unicode-only 字符 cmd 上 print 还是无力,比如ß、🚲。另外还和字体有关, cmd 下即使调成了 65001 也就支持两个 console 字体。幸好写入文件什么的没问题,虽然 print 乱码
sxul07
2016-06-24 13:19:36 +08:00
[在烤鸭店看到了满世界的二舅]
这个比喻笑 cry

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/287727

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX