码迷,mamicode.com
首页 > 编程语言 > 详细

Python文件写入编码问题

时间:2015-01-03 22:33:28      阅读:5424      评论:0      收藏:0      [点我收藏+]

标签:

今天,用Python写文件,发现中国人真不容易,任何编程问题都需要比老外多学一套应对编码的方法。JSP写完了吗?中文编码问题考虑一下;servlet中的url,转发的文本,都有可能与什么gb2312,isoxxxx,utf-8,unicode,ascii扯上关系。以至于,我们每每遇到运行异常,都会“一朝被蛇咬十年怕井绳”般思考“是不是又是编码导致的”。

在python里,编码问题依然是个恶心的问题。之前在VS for Python的IDE环境下,已经饱尝中文编码之苦,貌似VS for Python的源文件不支持除ascii以外的其他编码格式,如果我强行另存,直接导致解释器运行异常。直到转到PyDev for Eclipse才算解决。

今天,用Python写文件,里面是从网上自动爬取的数据,直接报错“UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 0-1: ordinal not in range(128)”。


为什么会报错“UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 0-1: ordinal not in range(128)”?本文就来研究一下这个问题。


字符串在Python内部的表示是unicode编码,因此,在做编码转换时,通常需要以unicode作为中间编码,即先将其他编码的字符串解码(decode)成unicode,再从unicode编码(encode)成另一种编码。 

decode的作用是将其他编码的字符串转换成unicode编码,如str1.decode(‘gb2312‘),表示将gb2312编码的字符串str1转换成unicode编码。 


encode的作用是将unicode编码转换成其他编码的字符串,如str2.encode(‘gb2312‘),表示将unicode编码的字符串str2转换成gb2312编码。 


因此,转码的时候一定要先搞明白,字符串str是什么编码,然后decode成unicode,然后再encode成其他编码


代码中字符串的默认编码与代码文件本身的编码一致。 

如:s=‘中文‘

如果是在utf8的文件中,该字符串就是utf8编码,如果是在gb2312的文件中,则其编码为gb2312。这种情况下,要进行编码转换,都需要先用decode方法将其转换成unicode编码,再使用encode方法将其转换成其他编码。通常,在没有指定特定的编码方式时,都是使用的系统默认编码创建的代码文件。 


如果字符串是这样定义:s=u‘中文‘ 

则该字符串的编码就被指定为unicode了,即python的内部编码,而与代码文件本身的编码无关。因此,对于这种情况做编码转换,只需要直接使用encode方法将其转换成指定编码即可。



如果一个字符串已经是unicode了,再进行解码则将出错,因此通常要对其编码方式是否为unicode进行判断:

isinstance(s, unicode)  #用来判断是否为unicode 

用非unicode编码形式的str来encode会报错 


 如何获得系统的默认编码? 

#!/usr/bin/env python
#coding=utf-8
import sys
print sys.getdefaultencoding()

该段程序在英文WindowsXP上输出为:ascii 



在某些IDE中,字符串的输出总是出现乱码,甚至错误,其实是由于IDE的结果输出控制台自身不能显示字符串的编码,而不是程序本身的问题。 


如在UliPad中运行如下代码:


s=u"中文"

print s 


会提示:UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 0-1: ordinal not in range(128)。这是因为UliPad在英文WindowsXP上的控制台信息输出窗口是按照ascii编码输出的(英文系统的默认编码是ascii),而上面代码中的字符串是Unicode编码的,所以输出时产生了错误。


将最后一句改为:print s.encode(‘gb2312‘)


则能正确输出“中文”两个字。


若最后一句改为:print s.encode(‘utf8‘)


则输出:\xe4\xb8\xad\xe6\x96\x87,这是控制台信息输出窗口按照ascii编码输出utf8编码的字符串的结果。


unicode(str,‘gb2312‘)与str.decode(‘gb2312‘)是一样的,都是将gb2312编码的str转为unicode编码 


使用str.__class__可以查看str的编码形式


原理说了半天,最后来个包治百病的吧:)



复制代码 代码如下:

#!/usr/bin/env python 
#coding=utf-8 
s="中文" 

if isinstance(s, unicode): 
#s=u"中文" 
print s.encode(‘gb2312‘) 
else: 
#s="中文" 
print s.decode(‘utf-8‘).encode(‘gb2312‘)


-----------------------------------------------------------------------------------------------------------------

我在所有要写入的字符串后面都加入.encode(‘utf8‘)

数字可以直接用str()

当然源文件头是

#coding:utf-8
#import sys   
#reload(sys) #
#sys.setdefaultencoding(‘utf-8‘)



Python文件写入编码问题

标签:

(1)
(1)
   
举报
评论 一句话评论(0
0条  
登录后才能评论!
© 2014 mamicode.com 版权所有 京ICP备13008772号-2
迷上了代码!