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

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>为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

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'>

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

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')

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

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

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

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