Python编码问题整理

认识常见编码

 

　　GB2312是中国规定的汉字编码，也可以说是简体中文的字符集编码

　　GBK 是 GB2312的扩展 ,除了兼容GB2312外，它还能显示繁体中文，还有日文的假名

　　cp936：中文本地系统是Windows中的cmd，默认codepage是CP936，cp936就是指系统里第936号编码格式，即GB2312的编码。

　　　　(当然有其它编码格式：cp950 繁体中文、cp932 日语、cp1250 中欧语言。。。)

　　Unicode是国际组织制定的可以容纳世界上所有文字和符号的字符编码方案。UTF-8、UTF-16、UTF-32都是将数字转换到程序数据的编码方案。

　　UTF-8 （8-bit Unicode Transformation Format）是最流行的一种对 Unicode 进行传播和存储的编码方式。它用不同的 bytes 来表示每一个代码点。ASCII 字符每个只需要用一个 byte ，与 ASCII 的编码是一样的。所以说 ASCII 是 UTF-8 的一个子集。

 

在开发Python程序的过程中，会涉及到三个方面的编码：

• Python程序文件的编码
• Python程序运行时环境（IDE）的编码
• Python程序读取外部文件、网页的编码

 

 

Python程序文件的编码

例如：

Python2自带的IDE，当创建了一个文件保存的时候提示：

　　这是因为Python2编辑器默认的编码是ASCII，它是无法识别中文的，所以会弹出这样的提示。这也是我们在大多情况下写python2程序的时候习惯在程序的第一行加上：#coding=utf-8

　　其实，这里的编码文件是很容易解决的。

 

 

Python程序运行时环境（IDE）的编码

  

执行下面的一段程序。

#coding=utf-8
from selenium import webdriver

driver = webdriver.Firefox()
driver.get("http://www.baidu.com")

# 返回百度页面底部备案信息
text = driver.find_element_by_id("cp").text
print(text)

driver.close()

在windows cmd下执行：

 

我们要获取的信息是：

©2015 Baidu 使用百度前必读 意见反馈 京ICP证030173号

　　Windows cmd 用的是cp936，也就是中文的GB2312，在GBK的字符集里没有“©”，这就导致通过GBK解析的时候出现编码问题。

　　这就像你在翻译英文的时候，出现了一个单词，这个单词你查遍了牛津大词典都没找到对应的含义解释，那么自然是会有问题的。

　　那假设，我还就想在cmd下执行这个python程序了，那么可以去修改cmd的默认编码类型为utf-8，对应的编码为CHCP 65001（utf-8）。在cmd 下输入：chcp 65001 命令回车。

然后，修改cmd的字体为“Lucida Console”，再来执行程序就可以被正确输出了。

 

 

Python程序读取外部文件、网页的编码

 

#这一块，暂时没有找到合适的例子

 

 

查看Python系统编码

查看Python2 或Python3的系统编码。

Python2:

Python 2.7.10 (default, May 23 2015, 09:40:32) [MSC v.1500 32 bit (Intel)] on win32
Type "copyright", "credits" or "license()" for more information.
>>> import sys
>>> sys.getdefaultencoding()
'ascii'

Python3:

Python 3.5.0 (v3.5.0:374f501f4567, Sep 13 2015, 02:27:37) [MSC v.1900 64 bit (AMD64)] on win32
Type "copyright", "credits" or "license()" for more information.
>>> import sys
>>> sys.getdefaultencoding()
'utf-8'

 

那么如何修改Python2的系统编码为urf-8呢？

import sys
reload(sys)
sys.setdefaultencoding('utf-8')

 

所以，在你的程序执行的过程中，遇到下面的报错信息时。

UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1....

可以将上面的三行代码加到Python程序的头部。

 

 

decode()与encode()

 

• decode 的作用是将其他编码的字符串转换成 Unicode 编码，eg name.decode(“GB2312”)，表示将GB2312编码的字符串name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，eg name.encode(”GB2312“)，表示将GB2312编码的字符串name转换成GB2312编码。

　　例如，前面获取百度底部信息的例子。我还可以通过decode()与encode()来解决：

#coding=utf-8
from selenium import webdriver

driver = webdriver.Chrome()
driver.get("http://www.baidu.com")

# 返回百度页面底部备案信息
text = driver.find_element_by_id("cp").text
text2 = text.encode("gbk","ignore").decode("gbk")
print(text2)

 　　这里通过encode()将Unicode编码转换成gbk编码，在转换的过程中通过“ignore”忽略掉gbk不能识别的字符（©），然后再把gbk转换成Unicode编码。当然，这并不是一种完美的方式，毕竟牺牲部分字符串。

 

 

chardet模块

 chardet是一个非常优秀的编码识别模块。

通过pip 安装：

>pip install chardet

 使用：

>>> from chardet import detect

>>> a = "中文"

>>> detect(a)
{'confidence': 0.682639754276994, 'encoding': 'KOI8-R'}

 大概有68%的把握为KOI8-R编码类型。