5分鐘戰(zhàn)勝人工智能+Python字符編碼

1. 本文不談復雜的理論，就經(jīng)驗教你字符處理八字真言：確定編碼，同類交互。

2. 文章針對Python 2.7，主要因為3對的編碼已經(jīng)有了很大的改善并且實際原理一樣，更改一下操作命令即可。

3. 了解完本文，你可以輕松解決文字處理，特殊平臺(Windows?)下的編碼，爬蟲編碼等問題。

閱讀建議

本文分為如下幾個部分：

• 原理

• 具體操作

• 建議的使用習慣

• 疑難問題解答

如果想要了解我給出的使用習慣，可以直接跳到建議的使用習慣。

如果只想要解決相關問題可以直接跳到疑難問題解答。

希望本文能夠幫到你。

一. 原理

為了理解方便，這里不談理論只做類比，具體想要進一步了解各種編碼的理論的百度一下好了。

1. 首先說一下我們?yōu)槭裁磿龅礁魇礁鳂拥木幋a問題：

• 因為我們沒有統(tǒng)一編碼

• 因為我們沒有用對命令(傳對數(shù)據(jù))

2. 再說一下編碼是什么，Python的編碼看似復雜，實際上可以看做只有兩類編碼：Unicode，二進制

• Unicode 相信都很熟悉：，就是\u0000這樣的

• 二進制編碼也很簡單，就是\x00\x00這樣的，平?？吹降膗tf-8,cp936都是二進制編碼

• 二進制編碼是具象的，10001100原樣就可以存儲，而Unicode是抽象的，不能這樣存

#coding=utf8

# Unicode編碼演示

print('Unicode:')

print(repr('Unicode編碼'))`

# 二進制編碼演示

print(u'二進制編碼:')

print(repr('Unicode編碼'))`

# 這里只是看個樣子，代碼不必去深究

3. 再說怎么做，就是只有同種編碼之間才可以操作

• 舉個簡單的類比

就把一串數(shù)據(jù)比為烤鴨，我們作為人和鴨子不同種看待烤鴨的態(tài)度完全不一樣。

我們看到的是晚上的配菜，鴨子看到的是自己二舅。

如果我用鴨子的眼光逛烤鴨店的時候就會出問題。

因為我在烤鴨店看到了都是自己的二舅。

• 這里說的同種就是我們熟悉的各種編碼方式：utf-8,unicode,ucs-bom

• 這也就是編碼問題的核心，非常重要。

4. 最后說一下Python的環(huán)境

• 本身代碼是用Ascii解碼的，文件里有Ascii無法解碼的內(nèi)容的話要告知Python怎么解碼

• 內(nèi)部大量命令都是默認接受Unicode

# 告知的命令就是下面這一行，刪掉就會報錯

#coding=utf8

print(u'測試編碼')

二. 具體操作

拿到各種編碼的內(nèi)容自然是不用說，那么如果我們想要自己構造怎么做呢，看下面：

#coding=utf8

# 字符串前面加u會默認構造出Unicode的字符串

unicodeString = u'Unicode字符串'

# 字符串前面什么都不加會構造出默認編碼(首行限定了現(xiàn)在的utf8)的字符串

utf8String = 'Utf-8字符串'

# 當然，沒有首行，默認的編碼是Ascii

那么他們之間怎么轉換呢，同樣很簡單：

# 接上一段程序

# Unicode轉化為二進制編碼中的一種：utf8

unicodeString.encode('utf8')

# 二進制編碼根據(jù)自己的編碼種類轉化為Unicode

utf8String.decode('utf8')

# 如果二進制編碼中混進了奇怪的東西可以根據(jù)需求用特殊的decode策略

print(repr('u8字\x00符串'.decode('utf8', 'replace')))

那么怎么樣會出現(xiàn)問題呢：

# 接著上一段程序說

# 如果我們把他們轉化成同樣的編碼方式就可以操作(例如相加)

print(repr(unicodeString + utf8String.decode('utf8')))

print(repr(unicodeString.encode('utf8') + utf8String))

# 但如果不轉化，當然就會出現(xiàn)滿世界的烤鴨二舅啦

unicodeString + utf8String

# 所以另一方面也發(fā)現(xiàn)，編碼轉換是需要我們告訴程序怎么做的

# 所有`decode`操作都會生成Unicode編碼，這是為了方便我之前說的大量接受Unicode的內(nèi)部命令

所以我們需要確定程序使用的編碼，這是我們需要告訴程序的東西

• 一方面在操作字符串的時候確定是同種編碼

• 另一方面在使用非自己寫的命令時，一般使用Unicode，或者使用接收二進制編碼的命令

#coding=utf8

# 這里拿寫入文件舉例

# 一般使用Unicode

with open('Unicode.txt', 'w') as f: f.write(u'Unicode測試')

# 或者使用接收二進制編碼的命令

with open('Utf8.txt', 'wb') as f: f.write('Utf8測試')

# 你可以反過來做個測試，自然會報錯

# 二進制的命令方便了在不知道怎么解碼的情況下也能進行操作(寫入文件)

三. 建議的使用習慣

相信到這里我已經(jīng)把我對于編碼的理解講完了。

我們?yōu)槭裁磿龅礁魇礁鳂拥木幋a問題：

• 因為我們沒有統(tǒng)一編碼

• 因為我們沒有用對命令(傳對數(shù)據(jù))

所以這里再重申一下八字真言：確定編碼，同類交互

• 碰到問題，問一下自己，我現(xiàn)在是哪種編碼

• 同一種編碼才能交互，那我應該是哪種編碼

這里給出我的使用習慣：

• 確定一種內(nèi)部編碼

• 內(nèi)部編碼的選擇優(yōu)先級如下：程序必須使用的編碼、第三方包使用的編碼、你喜歡的編碼、Unicode

• 在輸出時再更改到特定的編碼

記得在開始整個程序之前確定內(nèi)部的編碼，否則編碼一團糟會產(chǎn)生很多不必要的bug。

不要迷信內(nèi)部Unicode，例如Evernote開發(fā)就應該根據(jù)第三方包使用的Utf8確定內(nèi)部編碼。

四. 疑難問題解答

編碼識別

說了要確定編碼，那么拿到一串二進制要怎么確定編碼呢?

最簡單的方法是chardet：(需要安裝)

python -m pip install chardet

使用非常簡單：

#coding=utf8

from chardet import detect

print(detect('這是一串utf8的測試字符'))

# 結果：`{'confidence': 0.99, 'encoding': 'utf-8'}`

另外例如抓取網(wǎng)站，那么頭文件中很有可能有提示如何解碼，記得不要忘記了。

編碼轉換

很可能因為字符串中參雜了奇怪的東西，導致即使編碼種類正確，依舊無法解碼。

我知道我之前講過了，但可能有人直接跳疑難問題解答嘛。

這里可以使用decode的第二個參數(shù)：

#coding=utf8

# 字符串中混進了\x00

rubbishUtf8String = 'Utf-8字\x00符串'

print(repr(rubbishUtf8String.decode('utf8', 'replace')))

print(repr(rubbishUtf8String.decode('utf8', 'ignore')))

特殊平臺下編碼

很多人都說Windows是個坑，即使在Python 3下面也一樣。

因為中文文件名出來都是亂碼。

這里使用一個取巧的方法：平臺編碼再特殊，起碼命令行讀取和創(chuàng)建一個文件夾不會出亂碼吧。

import sys, os

for folder in os.walk('.').next()[1]:

print(folder.decode(sys.stdin.encoding))

同樣的輸入輸出也可以這樣做優(yōu)化：

import sys

def sys_print(msg):

print(msg.encode(sys.stdin.encoding))

def sys_input(msg):

return raw_input(msg.encode(sys.stdin.encoding)).decode(sys.stdin.encoding)

文件寫入

如果抓下來一個內(nèi)容不知道怎么解碼，但還是想要寫入文件怎么辦

寫入文件的時候制定用二進制命令即可：

#coding=utf8

import urllib

with open('Utf8.txt', 'wb') as f: f.write('Utf8測試')

# 比如抓了個網(wǎng)頁，不知道編碼也可以寫入文件進行一系列操作

content = urllib.urlopen('http://www.baidu.com').read()

with open('baidu.txt', 'wb') as f: f.write(content)

裸Unicode字符

Unicode存成六個Ascii字符怎么辦?其實也可以decode

#coding=utf8

# 這是普通的Unicode

s = u'測'

for i in s: print(i)

print(repr(s))

# 這是裸Unicode，實際存成了六個Ascii

s = repr(s)[2:-1]

for i in s: print(i)

print(repr(s))

# 轉化其實也很簡單

s = s.decode('unicode-escape')

for i in s: print(i)

print(repr(s))

好了，希望這篇文章對大家解決Python編碼問題有所幫助!【注：需要更多免費學習視頻+資料+源碼，請加QQ：3276250747】