解决Python的恼人的encode、decode字符集编码问题

恼人的字符集

不论是什么编程语言，都免不了涉及到字符集的问题，我们经常在读写本文、获取网页数据等等各类情景下，需要和字符集编码打交道。这几天在公司就遇到了这么一个问题，由于软件需要初始化许多参数信息，所以使用ConfigParser模块进行配置文件的读写操作。本来一切OK，但当把这些.ini配置文件提交到git仓库后，再次下载使用时，默认的utf-8字符集编码，被git默认修改成了gbk编码。导致读取配置文件时默认使用的utf-8编码，最终导致异常报错。那么该如何解决读取文件时的字符集问题呢？Python有专门的字符集检测模块chardet，今天就带大家一起学习下它。

chardet入门

模块介绍

Chardet：通用字符编码检测器，Python版本：需要Python 2.6,2.7或3.3+。 检测字符集范围：

• ASCII，UTF-8，UTF-16（2种变体），UTF-32（4种变体）
• Big5，GB2312，EUC-TW，HZ-GB-2312，ISO-2022-CN（繁体中文和简体中文）
• EUC-JP，SHIFT_JIS，CP932，ISO-2022-JP（日文）
• EUC-KR，ISO-2022-KR（韩文）
• KOI8-R，MacCyrillic，IBM855，IBM866，ISO-8859-5，windows-1251（西里尔文）
• ISO-8859-5，windows-1251（保加利亚语）
• ISO-8859-1，windows-1252（西欧语言）
• ISO-8859-7，windows-1253（希腊语）
• ISO-8859-8，windows-1255（视觉和逻辑希伯来语）
• TIS-620（泰国语）

安装

chardet在使用前，我们需要安装它：pip install chardet即可。

命令行工具

安装好chardet后，模块会附带一个命令行的检测工具：

% chardetect somefile someotherfile
somefile: windows-1252 with confidence 0.5
someotherfile: ascii with confidence 1.0

<noscript>

image

</noscript>

image

文档地址

对于用户，现在可以通过https://chardet.readthedocs.io/获取文档。

入门例子

仿照官网的例子，我们针对脚本之家和百度两个网站进行内容的编码检测：

import requests
import chardet

urls = ['https://www.jb51.net', 'https://www.baidu.com/']
for url in urls:
    r = requests.get(url)
    print(url, chardet.detect(r.content))

output：
https://www.jb51.net {'encoding': 'GB2312', 'confidence': 0.99, 'language': 'Chinese'}
https://www.baidu.com/ {'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}

可以看到结果脚本之家是gb2312而百度是utf-8.那么是否正确呢？我们只需要在对应的网页上右键点击查看网页源代码，通过检索html中<meta charset="xxx" />内容即可获取网站编码。

<noscript>

image

</noscript>

image

判断文本编码

刚才看到的是获取网站返回值的编码，那么文本的编码如何获取呢？

import chardet
with open('strcoding.py','rb') as f:
    print(chardet.detect(f.read()))

# output:
{'encoding': 'utf-8', 'confidence': 0.9690625, 'language': ''}

这里需要注意，由于对于文本的编码的未知性，我们需要使用二进制的方式打开文本，之后再获取字符集。

逐步检测编码

对于简短的网页或者文本内容，我们可以按照上述的方式进行操作，但如果我的文本是以G为单位计算的,如何能快速的获取文本的字符集内容呢？我们可以使用chardet模块的逐步检测编码方式，下面我们来对比下两者的差距，我这里就不用G级的数据了，那伏天氏小说的11MB内容就已经很能说明问题了：

# 原始方法
import chardet
import time

t0 = time.process_time()
with open("伏天氏.txt",'rb') as f:
    print(chardet.detect(f.read()))
t1 = time.process_time()
print(t1-t0)

# output:
{'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}
105.3786755

# 逐步检索方法：
import time
from chardet.universaldetector import UniversalDetector

detector = UniversalDetector()

t0 = time.process_time()
for line in open("伏天氏.txt", 'rb'):
    detector.feed(line)
    if detector.done:
        break
detector.close()
print(detector.result)
t1 = time.process_time()
print(t1 - t0)

# output:
{'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}
45.1466894

我们可以看到，原始的方法，我们需要将所有的文本全部读取后，一行行的检测，最终获取结果，但使用UniversalDetector的方式，进行逐行判断，当系统读取进度觉得可以确定字符集编码时，就不再往下继续检测，从而返回结果。大大缩短了检测的时间

如果要检测多个文本的编码（例如单独的文件），则可以重复使用单个UniversalDetector对象。只需detector.reset()在每个文件的开头调用 ，根据需要调用detector.feed 多次，然后调用detector.close()并检查detector.result字典中的文件结果。

时间计时

之前版本大家在进行时间计时是，经常使用到的就是time.time()和time.clock()两个模块。两者的差异在于time.clock()计算的是cpu时间差，而time.time()计算的是电脑的系统时间差。 但当你在python3.7版本使用time.clock()时，系统会给出如下提示：

DeprecationWarning: time.clock has been deprecated in Python 3.3 and will be removed from Python 3.8: use time.perf_counter or time.process_time instead

意思比较简单，time.clock在python3.3以后不被推荐使用，该方法依赖操作系统，建议使用per_counter(返回系统运行时间)或process_time(返回进程运行时间)代替。