【语言处理与Python】3.3使用Unicode进行文字处理

Unicode支持超过一百万种字符；

每个字符分配一个编号，成为编码点；在Python中，编码点写作\uXXXX的形式，其中XXXX是四位十六进制数；

 

从文件中提取已编码文本

#得到一个文件的路径（知道这个文件的编码）

path= nltk.data.find('corpora/unicode_samples/polish-lat2.txt')

import codecs

f=codecs.open(path,encoding=’latin2’)

#从文件对象f读出的文本将以Unicode返回，如果想在终端查看，必须使用合适的编码对它进行编码；unicode_escape是一种虚拟的编码

for line in f:

line=line.strip()

print line.encode(‘unicode_escape’)

Python中pring语句假设Unicode字符的默认编码是ASCII码

nacute=u’\u0144’

nacute_utf=nacute.encode(‘utf8’)

print repr(nacute_utf)

 

在Python中使用本地编码

在文件的第一行或者第二行中包含字符串

# -*- coding:utr-8 -*-