python列表中中文编码的问题

  在python2列表中，有时候，想打印一个列表，会出现如下显示：

这个是由于：

print一个对象，是输出其“为了给人（最终用户）阅读”而设计的输出形式，那么字符串中的转义字符需要转出来，而且 也不要带标识字符串边界的引号。

因此，单独打印列表中的某一项，譬如：list[0]，他可以很好的转义出中文字符。而一个list对象，本身就是个数据结构，如果要把它显示给最终用户看，它不会对里面的数据进行润色。

 

解决办法参考：https://www.zhihu.com/question/20413029

 

由此进一步思考：

1、我们在定义字符串的时候，u"中文"的u是什么意思？

string = u"中文"
string.decode('utf8')

　　可以看到会出异常：

---------------------------------------------------------------------------
UnicodeEncodeError                        Traceback (most recent call last)
<ipython-input-41-b3abdaf47d60> in <module>()
      1 string = u"中文"
----> 2 string.decode('utf8')

C:\ProgramData\Anaconda2\lib\encodings\utf_8.pyc in decode(input, errors)
     14 
     15 def decode(input, errors='strict'):
---> 16     return codecs.utf_8_decode(input, errors, True)
     17 
     18 class IncrementalEncoder(codecs.IncrementalEncoder):

UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

　　这说明，string的编码方式并不是utf-8。

我之前一直以为是指的是utf-8的编码方式，其实不然。

 

2、# -*- coding: utf-8 -*-  和  sys.setdefaultencoding("utf-8")的区别是什么？


# -*- coding: utf-8 -*- ：作用于源代码，如果没有定义，源码不能包含中文字符。https://www.python.org/dev/peps/pep-0263/

sys.setdefaultencoding("utf-8") ：设置默认的string编码方式

 3、decode\encode指定编码解码方式

# -*- coding: utf-8 -*-
import sys 
#Python2.5 初始化后删除了 sys.setdefaultencoding 方法，我们需要重新载入
reload(sys)
sys.setdefaultencoding('utf-8') 

string = "中文"
print repr(string.decode('utf-8'))

　　

 

 

 4、unicode编码

字符串通常包含str、unicode两种类型，通常str指字符串编码方式。在Python程序内部，通常使用的字符串为unicode编码，这样的字符串字符是一种内存编码格式，如果将这些数据存储到文件或是记录日志的时候，就需要将unicode编码的字符串转换为特定字符集的存储编码格式，比如：UTF-8、GBK等。

unicode编码：编码表的编号从0一直算到了100多万（三个字节）。每一个区间都对应着一种语言的编码。目前几乎收纳了全世界大部分的字符。所有的字符都有唯一的编号，事实上是一种字符集。但是，unicode把大家都归纳进来，却没有为编码的二进制传输和二进制解码做出规定。于是，就出现了如下解决方案：uft-8，utf-16，utf-32这些编码方案，主要还是为了解决一个信息传输效率的问题，因为如果直接根据字符集进行传输的话，三个字节的表示就会比较低效了。

str  转 unicode

string = "asdf"
string.decode("utf-8")

　　

所以，u就是unicode

unicode转 str

string = u"asdf"
string.encode("utf-8")

　　

5、unicode-escape

在将unicode存储到文本的过程中，还有一种存储方式，不需要将unicode转换为实际的文本存储字符集，而是将unicode的内存编码值进行存储，读取文件的时候再反向转换回来，是采用：unicode-escape的转换方式。

unicode到unicode-escape

string = "中文"  #  或 u"中文"，不影响，因为最终都是unicode的内存编码
string.encode("unicode-escape")

　　

unicode-escape到unicode

string = "中文"  
string.decode("unicode-escape")

　　>> u'\xe4\xb8\xad\xe6\x96\x87

6、string-escape

对于utf-8编码的字符串，在存储的时候，通常是直接存储，而实际上也还有一种存储utf-8编码值的方法，即：string-escape。

str(utf8)到string-escape

string = "中文"  
string.encode("string-escape")

　　>> '\\xe4\\xb8\\xad\\xe6\\x96\\x87'

 string-escape到str(utf8)

string = "中文"  
string.decode("string-escape")

　　>>'\xe4\xb8\xad\xe6\x96\x87'

 

 

//-------------由上，进一步分析：

 

a = "中文"
print repr(a.decode("utf-8"))
a = "中文"
print repr(a.decode("unicode-escape"))
print repr(u"中文")
print repr(a)

　　

可以看到，从str转unicode和从unicode-escape转unicode的差距。再比如：

string = '\u4e2d\u6587'
print repr(string.decode("unicode-escape"))
print repr(string.decode("utf8"))

　　

更为清楚的看到，从unicode-escape转unicode，两者没有文本转化的过程，是一个内存转化的过程。而通过str转unicode，会有文本转化，譬如对转义字符的操作。

 

对于列表中中文编码的解释：

 

arr = [u"中文"]
print arr
print repr(arr)
pp =  str(arr).decode("unicode-escape")#
print pp
print repr(pp)
tt = str(arr).decode("utf-8")
print tt
print repr(tt)

　　

　　>>[u'\u4e2d\u6587']

       >>[u'\u4e2d\u6587']

       >>[u'中文']

       >>u"[u'\u4e2d\u6587']"

       >>[u'\u4e2d\u6587']

       >>u"[u'\\u4e2d\\u6587']"

 

由此可见，想要打印list中的中文，思路是：

通过字符串化处理，将list转化为str（utf-8）文本编码的方式，同时要保留list里面的unicode，避免通过字符处理导致的转义操作，破坏掉中文的unicode，因此选择了unicode-escape