python 字符编码处理总结

问题引入

python中经常遇到这样那样的字符编码问题，尤其在处理网页源码时（特别是爬虫中）：

UnicodeDecodeError: ‘XXX' codec can't decode bytes in position 12-15: illegal multibyte...

每次看到上面这段文字的时候，感觉整个世界都昏暗了，然后就只能各种搜索找资料，过后就忘了。下次遇到时就让世界再昏暗一次。为了彻底解决这个拦路虎，今天咱们就好好的来唠嗑唠嗑。

下面以汉字'哈'来解释作示例解释所有的问题，汉字“哈”的各种编码如下：

1 UNICODE(UTF8-16): 0xC854

2 UTF-8: 0xE59388

3 GBK: 0xB9FE

除此之外还有如gb2312, big5等。例如一些含有繁体字的页面，比如www.google.com.hk首页中用的就是big5码， 不知道港台的码农同时处理简体字繁体字是不是更郁闷（笑脸）

处理解决

首先，在python中提到unicode，一般指的是unicode对象，例如'哈哈'的unicode对象为u'\u54c8\u54c8'

而str是一个字节数组，这个字节数组表示的是对unicode对象编码后(如utf-8、gbk、cp936、GB2312)的存储的格式，这里它仅是一个字节流，没有其它的含义，如果你想使这个字节流显示的内容有意义，就必须用正确的编码格式，解码显示。

例如：（注意是在windows下）

s = u'哈哈'

s_utf8 = s.encode('utf-8')

pirnt s_utf8

>>> 鍝堝搱

悲剧...

s_utf8这时实际上是'\xe5\x93\x88\xe5\x93\x88'

而下面的代码才可以正常显示：

s_gdb = s.encode('gbk') # s_gdk 这时是'\xb9\xfe\xb9\xfe'

print s_gbk

>>> 哈哈 #正常了

因为print语句它的实现是将要输出的内容传 送了操作系统，操作系统会根据系统的编码对输入的字节流进行编码，这就解释了utf-8格式的字符串“哈哈”，输出的是“鍝堝搱”，因为 '\xe5\x93\x88\xe5\x93\x88'用GB2312去解释，其显示的出来就“鍝堝搱”。

这里再强调一下，str记录的是字节数组，只是某种编码的存储格式，至于输出到文件或是打印出来是什么格式，完全取决其解码的编码将它解码成什么样子。

str和unicode对象的转换，通过encode和decode实现，具体使用如下：再次强调windows下：

s = '哈哈'

print s.decode('gbk').encode('utf-8')

>>> 鍝堝搱

反之亦然，有兴趣可以尝试其他转换

有时当我们遇到把s(gbk字符串)直接编码成utf-8的时候，将抛出异常，但是通过调用如下代码：

import sys

reload(sys)

sys.setdefaultencoding('gbk')

后就可以转换成功，为什么呢？

在python中str和unicode在编码和解码过程中，如果将一个str直接编码成另一种编码，会先把str解码成unicode，采用默认编码，一般默认编码是anscii，所以在上面示例代码中第一次转换的时候会出错，

当设定当前默认编码为'gbk'后，就不会出错了。至于reload(sys)是因为Python2.5 初始化后会删除 sys.setdefaultencoding 这个方法，我们需要重新载入。一般不推荐这样使用。本来reload都是应该避免使用的函数。

对于操作不同文件的编码格式的文件，也会遇到这样的问题

建立一个文件test.txt，文件格式用ANSI，内容为:

abc中文

然后用python来读取

# coding=gbk

print open("Test.txt").read()

结果：abc中文

把文件格式改成UTF-8：

结果：abc涓枃，显然，这里需要解码：

# coding=gbk

import codecs

print open("Test.txt").read().decode("utf-8")

结果：abc中文

上面的test.txt我是用Editplus来编辑的，但当我用Windows自带的记事本编辑并存成UTF-8格式时，

运行时报错：

Traceback (most recent call last):

File "ChineseTest.py", line 3, in

print open("Test.txt").read().decode("utf-8")

UnicodeEncodeError: 'gbk' codec can't encode character u'\ufeff' in position 0: illegal multibyte sequence

原来，某些软件，如notepad，在保存一个以UTF-8编码的文件时，

会在文件开始的地方插入三个不可见的字符（0xEF 0xBB 0xBF，即BOM）。

因此我们在读取时需要自己去掉这些字符，python中的codecs module定义了这个常量：

# coding=gbk

import codecs

data = open("Test.txt").read()

if data[:3] == codecs.BOM_UTF8:

data = data[3:]

print data.decode("utf-8")

结果：abc中文

最后，有些时候编码搞对了，但是遇到了非法字符，比如产生字符串的来源发生错误，引入了错误值等，这时再次遇到异常

例如：全角空格往往有多种不同的实现方式，比如\xa3\xa0，或者\xa4\x57,

这些字符，看起来都是全角空格，但它们并不是“合法”的全角空格

真正的全角空格是\xa1\xa1，因此在转码的过程中出现了异常。

而之前在处理新浪微博数据时，遇到了非法空格问题导致无法正确解析数据。

解决办法：

将获取的字符串strTxt做decode时，指明ignore，会忽略非法字符,

当然对于gbk等编码，处理同样问题的方法是类似的

strTest = strTxt.decode('utf-8', 'ignore')

return strTest

默认的参数就是strict，代表遇到非法字符时抛出异常；

如果设置为ignore，则会忽略非法字符；

如果设置为replace，则会用?号取代非法字符；

如果设置为xmlcharrefreplace，则使用XML的字符引用。