python 之中文全攻略

標籤：

 1.        在Python中使用中文

在Python中有兩種預設的字串：str和unicode。在Python中一定要注意區分“Unicode字串”和“unicode對象”的區別。後面所有的“unicode字串”指的都是python裡的“unicode對象”。

事實上在Python中並沒有“Unicode字串”這樣的東西，只有“unicode”對象。一個傳統意義上的unicode字串完全可以用str對象表示。只是這時候它僅僅是一個位元組流，除非解碼為unicode對象，沒有任何實際的意義。

我們用“哈哈”在多個平台上測試，其中“哈”對應的不同編碼是：

1．              UNICODE (UTF8-16)，      C854；

2．              UTF-8，                    E59388；

3．              GBK，               B9FE。

1.1     Windows控制台

下面是在windows控制台的運行結果：

可以看出在控制台，中文字元的編碼是GBK而不是UTF-16。將字串s（GBK編碼）使用decode進行解碼後，可以得到同等的unicode對象。

注意：可以在控制台列印ss並不代表它可以直接被序列化，比如：

向檔案直接輸出ss會拋出同樣的異常。在處理unicode中文字串的時候，必須首先對它調用encode函數，轉換成其它編碼輸出。這一點對各個環境都一樣。

總結：在Python中，“str”對象就是一個位元組數組，至於裡面的內容是不是一個合法的字串，以及這個字串採用什麼編碼（gbk, utf-8, unicode）都不重要。這些內容需要使用者自己記錄和判斷。這些的限制也同樣適用於“unicode”對象。要記住“unicode”對象中的內容可絕對不一定就是合法的unicode字串，我們很快就會看到這種情況。

總結：在windows的控制台上，支援gbk編碼的str對象和unicode編碼的unicode對象。

1.2     Windows IDLE（在Shell上運行）

在windows下的IDLE中，運行效果和windows控制台不完全一致：

可以看出，對於不使用“u”作標識的字串，IDLE把其中的中文字元進行GBK編碼。但是對於使用“u”的unicode字串，IDLE居然一樣是用了GBK編碼，不同的是，這時候每一個字元都是unicode（對象）字元！！此時len(ss) = 4。

這樣產生了一個神奇的問題，現在的ss無法在IDLE中正常顯示。而且我也沒有辦法把ss轉換成正常的編碼！比如採用下面的方法：

這有可能是因為IDLE本地化做得不夠好，對中文的支援有問題。建議在IDLE的SHELL中，不要使用u“中文”這種方式，因為這樣得到的並不是你想要的東西。

這同時說明IDLE的Shell支援兩種格式的中文字串：GBK編碼的“str”對象，和UNICODE編碼的unicode對象。

1.3     在IDLE上運行代碼

在IDLE的SHELL上運行檔案，得到的又是不同的結果。檔案的內容是：

直接啟動並執行結果是：

毫無瑕疵，相當令人滿意。我沒有試過其它編碼的檔案是否能正常運行，但想來應該是不錯的。

同樣的代碼在windows的控制台試演過，也沒有任何問題。

1.4     Windows Eclipse

在Eclipse中處理中文更加困難，因為在Eclipse中，編寫代碼和運行代碼屬於不同的視窗，而且他們可以有不同的預設編碼。對於如下代碼：

#!/usr/bin/python

# -*- coding: utf-8 -*-

 

s = "哈哈"

ss = u‘哈哈‘

 

print repr(s)

print repr(ss)

 

print s.decode(‘utf-8‘).encode(‘gbk‘)

print ss.encode(‘gbk‘)

 

print s.decode(‘utf-8‘)

print ss

 

前四個print運行正常，最後兩個print都會拋出異常：

‘/xe5/x93/x88/xe5/x93/x88‘

u‘/u54c8/u54c8‘

哈哈

哈哈

Traceback (most recent call last):

 File "E:/Workspace/Eclipse/TestPython/Test/test_encoding_2.py", line 13, in <module>

    print s.decode(‘utf-8‘)

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

也就是說，GBK編碼的str對象可以正常列印，但是不能列印UNICODE編碼的unicode對象。在源檔案上點擊“Run as”“Run”，然後在彈出對話方塊中選擇“Common”：

可以看出Eclipse控制台的預設編碼方式是GBK；所以不支援UNICODE也在情理之中。如果把檔案中的coding修改成GBK，則可以直接列印GBK編碼的str對象，比如s。

如果把源檔案的編碼設定成“UTF-8”，把控制台的編碼也設定成“UTF-8”，按道理說列印的時候應該沒有問題。但是實驗表明，在列印UTF-8編碼的str對象時，中文的最後一個字元會顯示成亂碼，無法正常閱讀。不過我已經很滿足了，至少人家沒有拋異常不是:)

BTW: 使用的Eclipse版本是3.2.1。

1.5     從檔案讀取中文

在window下面用記事本編輯檔案的時候，如果儲存為UNICODE或UTF-8，分別會在檔案的開頭加上兩個位元組“/xFF/xFE”和三個位元組“/xEF/xBB/xBF”。在讀取的時候就可能會遇到問題，但是不同的環境對這幾個多於字元的處理也不一樣。

以windows下的控制台為例，用記事本儲存三個不同版本的“哈哈”。

開啟utf-8格式的檔案並讀取utf-8字串後，解碼變成unicode對象。但是會把附加的三個字元同樣進行轉換，變成一個unicode字元，字元的資料值為“/xFF/xFE”。這個字元不能被列印。編碼的時候需要跳過這個字元。

開啟unicode格式的檔案後，得到的字串正確。這時候適用utf-16解碼，能得到正確的unicdoe對象，可以直接使用。多餘的那個填充字元在進行轉換時會被過濾掉。

開啟ansi格式的檔案後，沒有填充字元，可以直接使用。

結論：讀寫使用python產生的檔案沒有任何問題，但是在處理由notepad產生的文字檔時，如果該檔案可能是非ansi編碼，需要考慮如何處理填充字元。

1.6     在資料庫中使用中文

剛剛接觸Python，我用的資料庫是mysql。在執行插入、尋找等操作時，如果運行環境使用的字元編碼和mysql不一致，就可能導致運行時的錯誤。當然，和上面看到的情況一樣，運行環境並不是關鍵因素，關鍵是查詢語句的編碼方式。如果在每次執行查詢操作時都把查詢字串做一次編碼轉換，轉變成mysql的預設字元編碼，一樣不會遇到問題。但是這樣寫代碼也太痛苦了吧。

使用如下代碼串連資料庫：

self.conn = MySQLdb.connect(use_unicode = 1, charset=‘utf8‘, **server)

我不能理解的是既然資料庫用的預設編碼是UTF-8，我串連的時候也用的是UTF-8，為什麼查詢得到的常值內容卻是UNICODE編碼（unicode對象）？這是MySQLdb庫的設定嗎？

1.7     在XML中使用中文

使用xml.dom.minidom和MySQLdb類似，對產生的dom對象調用toxml方法得到的是unicode對象。如果希望輸出utf-8文本，有兩種方法：

1．使用系統函數

在輸出xml文檔的時候進行編碼，這是我覺得最好的方法。

xmldoc.toxml(encoding=’utf-8’)

xmldoc.writexml(outfile, encoding = ‘utf-8’)

2．自己編碼產生

在使用toxml之後可以調用encode方法對文檔進行編碼。但這種方法無法得到合適的xml declaration（xml文檔第一行中的encoding部分）。

不要嘗試通過xmldoc.createProcessingInstruction來建立一個processing instraction：

<?xml version=’1.0’ encoding=’utf-8’?>

xml declaration雖然看起來像是，但是事實上並不是一個processing instraction。可以通下面的方法得到一個滿意的xml檔案：

print >> outfile, “<?xml version=’1.0’ encoding=’utf-8’?>”
print >> outfile, xmldoc.toxml().encode(‘utf-8’)[22:]
其中第二行需要過濾掉在調用xmldoc.toxml時產生的“<?xml version=’1.0’ ?>”，它的長度是22。

 

相面是兩種方法的用法比較：

 

另外，在IDLE的shell中，不要用 u’中文’ 對屬性進行賦值。上面討論過，這樣得到的unicode字串不正確。

python 之中文全攻略