python 自然語言處理編碼轉換

http://blog.csdn.net/zhaoweikid/article/details/1642015

    python對多國語言的處理是支援的很好的，它可以處理現在任意編碼的字元，這裡深入的研究一下python對多種不同語言的處理。     有一點需要清楚的是，當python要做編碼轉換的時候，會藉助於內部的編碼，轉換過程是這樣的：         原有編碼 -> 內部編碼 -> 目的編碼     python的內部是使用unicode來處理的，但是unicode的使用需要考慮的是它的編碼格式有兩種，一是UCS-2，它一共有65536個碼位，另一種是UCS-4，它有2147483648g個碼位。對於這兩種格式，python都是支援的，這個是在編譯時間通過--enable-unicode=ucs2或--enable-unicode=ucs4來指定的。那麼我們自己預設安裝的python有的什麼編碼怎麼來確定呢？有一個辦法，就是通過sys.maxunicode的值來判斷：

import sys print sys.maxunicode

    如果輸出的值為65535,那麼就是UCS-2,如果輸出是1114111就是UCS-4編碼。 我們要認識到一點：當一個字串轉換為內部編碼後，它就不是str類型了！它是unicode類型：

a ="風捲殘雲" print type(a) b = a.unicode(a, "gb2312") print type(b)

輸出： <type 'str'> <type 'unicode'>
這個時候b可以方便的任意轉換為其他編碼，比如轉換為utf-8:

c = b.encode("utf-8") print c

c輸出的東西看起來是亂碼，那就對了，因為是utf-8的字串。     好了，該說說codecs模組了，它和我上面說的概念是密切相關的。codecs專門用作編碼轉換，當然，其實通過它的介面是可以擴充到其他關於代碼方面的轉換的，這個東西這裡不涉及。

#-*- encoding: gb2312 -*-import codecs, sys
print'-'*60# 建立gb2312編碼器look  = codecs.lookup("gb2312") # 建立utf-8編碼器look2 = codecs.lookup("utf-8")
a ="我愛北京天安門"
print len(a), a # 把a編碼為內部的unicode, 但為什麼方法名為decode呢，我的理解是把gb2312的字串解碼為unicodeb = look.decode(a) # 返回的b[0]是資料，b[1]是長度，這個時候的類型是unicode了print b[1], b[0], type(b[0]) # 把內部編碼的unicode轉換為gb2312編碼的字串，encode方法會返回一個字串類型b2 = look.encode(b[0]) # 發現不一樣的地方了吧？轉換回來之後，字串長度由14變為了7! 現在的返回的長度才是真正的字數，原來的是位元組數print b2[1], b2[0], type(b2[0]) # 雖然上面返回了字數，但並不意味著用len求b2[0]的長度就是7了，仍然還是14，僅僅是codecs.encode會統計字數print len(b2[0])

    上面的代碼就是codecs的使用，是最常見的用法。另外還有一個問題就是，如果我們處理的檔案裡的字元編碼是其他類型的呢？這個讀取進行做處理也需要特殊的處理的。codecs也提供了方法.

#-*- encoding: gb2312 -*- import codecs, sys # 用codecs提供的open方法來指定開啟的檔案的語言編碼，它會在讀取的時候自動轉換為內部unicode bfile = codecs.open("dddd.txt", 'r', "big5") #bfile = open("dddd.txt", 'r') ss = bfile.read() bfile.close() # 輸出，這個時候看到的就是轉換後的結果。如果使用語言內建的open函數來開啟檔案，這裡看到的必定是亂碼 print ss, type(ss)

上面這個處理big5的，可以去找段big5編碼的檔案試試。 www.pythonid.com