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
(与代码本身的编码是一致的!)
测试: 我的eclipse里面代码为utf-8编码的。然后我这样写代码 s="你好" s=s.decode('gb2312').encode('utf-8') print s 报错: UnicodeDecodeError: 'gb2312' codec can't decode bytes in position 2-3: illegal multibyte sequence 原因:因为我的文件为UTF-8编码的。所以你想用gb2312将其转成unicode是不可能的。 所以正确的写法应当是: s="你好" print s s=s.decode('utf-8').encode('utf-8') 要用UTF-8来做编码 print s 哈哈发现打印出来的是乱码那只能说明一件事情就是我的eclipse控制台是GB2312的编码!
请看: 如何获得系统的默认编码? #!/usr/bin/env python #coding=utf-8 import sys print sys.getdefaultencoding()
该段程序在英文WindowsXP上输出为:ascii 。我发现我的linux上面也是ascii编码。所以我想打印出来看到的乱码是正常的。因为我其实是utf-8编码的。
在某些IDE中,字符串的输出总是出现乱码,甚至错误,其实是由于IDE的结果输出控制台自身不能显示字符串的编码,而不是程序本身的问题。(是的。我的eclipse控制台就是gb2312的编码所以我文件保存为utf-8的时候然后再通过打印是乱码了!)
1、读文件命令肯定是: myfile = codecs.open("c.html","r","utf-8") 因为我用gb2312来读的话报错
心得:检查一个字符串是什么编码只需要看一下decode 如果用gb2312来decode没报错的话就表示是gb2312 如果用utf-8来decode没有报错的话就表示是utf-8
现在遇到一个问题就是 请看: myfile = codecs.open("c.html","r","utf-8") str = myfile.read() content = str.replace("\n"," ") content = content.encode('utf-8') print content 没有报错 再看: myfile = codecs.open("c.html","r","utf-8") str = myfile.read() #显示中文 content = str.replace("\n"," ") content = content.encode('gb2312') 用gb2312 print content 报错:UnicodeEncodeError: 'gb2312' codec can't encode character u'\u2014' in position 12628
再看: myfile = codecs.open("d.html","r","utf-8") str = myfile.read() #显示中文 content = str.replace("\n"," ") content = content.encode('gb2312') 用gb2312 print content 没问题 myfile = codecs.open("d.html","r","utf-8") str = myfile.read() #显示中文 content = str.replace("\n"," ") content = content.encode('utf-8') print content 也没问题
结论:我想是c.html页面里面 存在某些 特殊字符 只支持utf-8编码。而不支持gb2312的编码! 而d.html没有这种特殊字符。这也就解释了为什么 有的文件并没有发生我们想像中的问题!
所以我感觉打开文件肯定是用utf-8来读取得到一个unicode编码值! 然后对其做utf-8的编码处理。因为如果你做gb2312处理的话就会报错了!
接着: 我看了一下我的正则表达式发现如果用gb2312做解码处理的话一样会报错。所以断定肯定是utf-8编码了! regex3 = regex3.decode('utf-8') print type(regex3) #返回为unicode码了! print regex3 #居然打印为正常的中文显示了 奇怪
尝试解决办法: 1、全部用unicode处理 即正则我用regex3 = regex3.decode('utf-8') 将其处理成 unicode编码了。然后内容也 print type(content) 也是unicode编码。结果还是不行!
难道是我的linux终端的编码引起的吗?我看了一下 locale 发现是GBK的终端的。即只有GBK编码才能显示出来为中文的! 于是我将 regex3 = regex3.decode('utf-8').encode('gb2312') 编码成gb2312结果可以显示中文!
OK。我又将我的内容也一起弄成GB2312 content = content.encode('gb2312','ignore') print content 也可以成功打印出来中文。
我想这个时候应该没有什么问题了吧。结果一用正则又死掉了。昏死!!!!!!!
换另外一个好的文件测试下看看:换了之后发现没死而且成功了!
所以我觉得:肯定是这个文件里面的某些内容与正则匹配出现了冲突!导致的!
继续跟踪: 出现如下的情况 myfile = codecs.open("01.htm","r","utf-8","ignore") str = myfile.read() content = str.replace("\n"," ") print type(content) #发现是unicode码 regex3 = 'class=wpcpsCSS>([^<]+)(?:.*?wpcppb_CSS> ([0-9]+) </span>)?.*?(?:.*?(已被关闭))?.*?([0-9]+)个回答.*?([0-9]+)次浏览.*?(?:<div class=wpcptfCSS>.*?user\?userid=([0-9]+).*?>(.*?)</a> </div>.*?)?(?:user\?userid=([0-9]+)")? class="wpfitCSS[^"]+">([^<]+).*?class=wpcptsCSS>([^<]+).*?([0-9.]{9,}\*).*?class=wpcpdCSS>(.*?)</div> <div class=wpcpfCSS>' content = content.encode('utf-8') p=re.compile(regex3) results = p.findall(content)
没有什么问题可以成功出来结果。但是我 将content = content.encode('gb2312') 的话就发现 死掉了! 说明我的内容content与我的正则的编码其实是不一样的! 我现在将我的正则也调成gb2312来测试。结果发现可以出来。而且我的结果 results = p.findall(content) for ele in results: print ele[0],ele[1],ele[2],ele[3],ele[4],ele[5],ele[6],ele[7],ele[8],ele[9],ele[10] 在eclipse(默认为gb2312)下面也是没有问题的了!~
所以我想:如果content是GBK那正则的内容也应当是GBK 即两者的编码一定要保持一致!否则就会出现死掉程序的情况!
现在我这样来处理 全部使用unicode编码处理
myfile = codecs.open("right.html","r") str = myfile.read() content = str.replace("\n"," ") content = content.decode('utf-8','ignore') #使用utf-8解码出来 都使用unicode编码吧 现在正则也用 regex3 = regex3.decode('utf-8','ignore') 使用utf-8搞成unicode编码
OK现在再来测试!
结论: 解决正则出现中文的BUG结论: 1、打开文件 myfile = codecs.open("right.html","r") 不需要设置其编码的!
设置编码格式 str = myfile.read() content = str.replace("\n"," ") content = content.decode('utf-8','ignore') #使用utf-8解码成unicode格式
正则: regex3 = regex3.decode('utf-8','ignore') #正则也统一使用utf-8解码成unicode格式
然后就可以 p=re.compile(regex3) results = p.findall(content) 调用正则了!