python基础系列教程——Python中的编码问题，中文乱码问题

python基础系列教程——Python中的编码问题，中文乱码问题

1. 如果不声明编码，则中文会报错，即使是注释也会报错。

   1.  # -*- coding: UTF-8 -*- 或者 #coding=utf-8 就行了 。 在第一行不区分大小写。

2. 文档编码是一种告诉程序——无论是计算机的操作系统还是Python 代码——读取文档的规则。正确读取一个文档，往往需要先知道文件的扩展名，因为编码方式往往与扩展名有很大的关系。

3. （1）纯文本文档的获取与处理：直接用urlopen读取后，用read()函数获取文本内容即可。纯文本页面不要转换成BeautifulSoup对象，因为无法解析，会被认为是一堆字符串，只能用字符串的操作方法来解析。 
   （2）CSV文档、PDF文档等非纯文本文档的读取方式：直接通过文档获取链接以字符串的方式读取文档——通过io库的StringIO函数将字符串转换为StringIO对象——通过CSV库或PDF库将StringIO对象读取为相应格式的文档，

4. 编码类型：

   （1）UTF-8：统一字符集-转换格式8位。它的开头有标记指示字符占了用了多少个字节来表示，一个字符最多有四个字节。
   
   （2）ASCII：每个字符7位，用来表示中文会不够用，但是英文够用了。
   
   （3）UtF-8和ASCII的结合：首位为0，即只包含一个字节的UTF-8字符和ASCII通用，因为相当于只用到了7位。但首位为1的两字节UTF-8字符不通用。
   
   （4)ISO编码：解决非英文非中文语言文档太大的问题，比如土耳其语没有那么多字符，又不能用单纯的ASCII。因此使用ASCII的首位来做特殊化，可以针对不同的语言生成不同的规则。
   

在用Python读网页或文档时，最好统一将获取的内容统一转换成UTF-8编码。获取国际站的内容时，最好先看看网站metacharset信息中所指示的编码方式后再确定选择哪种编码方式。

5. Encode和Decode：

   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