解决python程序中出现中文乱码的问题 - Python - 服务器之家

服务器之家

专注于服务器技术!
当前位置:首页 > 脚本编程 > Python

解决python程序中出现中文乱码的问题

发布时间:2014-02-20 来源:服务器之家

你要是碰到该问题了,并且google了,那么估计你已经快无奈了。希望下面的说明对你有用。

本文主要说明如何从网站获取页面,并且如何查找页面中的中文字符。实验中的平台为python 2.7  。

python2.7 太直接了,操作系统给它什么格式编码的字符串,它就接收啥格式的字符串,默认的格式与你使用的格式不同,因此,各种错误出现了。

解决方法:

1.知道系统所使用的编码格式

2.把获取的页面先用系统格式解码,然后在编码为utf8格式

3.你的脚本中统一使用uft8编码

4.处理结束,把你的字符串先utf8解码,然后系统格式编码。

流程结束

# -*- coding: utf-8 -*-
import sys
import urllib2
# 获得系统默认编码格式
sysCharType = sys.getfilesystemencoding()
# 获取页面
headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}
req = urllib2.Request("http://www.baidu.com/", headers=headers)
html = urllib2.urlopen(req).read()
sysHtml = html.decode(sysCharType).encode('utf-8')
s  = '百度一下,你就知道'
if html.find(s)!= -1:
    print '未经转化 字符匹配'
else:
    print '未经转化 字符不匹配'
if sysHtml.find(s)!= -1:
    print '经过转化 字符匹配'
else:
    print '经过转化 字符不匹配'

另,看了kiki113的文章后,大有收获。kiki113的原始帖子地址。

str为字节数组,它仅仅是一个字节流,没有其它的含义。而unicode是一种编码格式。我们可以把具有unicode编码格式的字符串看做字节流,但是不能把随意一个字节流当做unicode字符串解释。这就是在进行字符编码转化中经常发生问题的直接原因。

'您好'的几种编码
编码方式 结果
GBK  xc4xfaxbaxc3
unicode u60a8u597d
UTF-8 xe6x82xa8xe5xa5xbd

在python中,如果将一个str直接编码成另一种编码例如UTF-8,则系统先把str解码成unicode,然后把unicode编码格式转化为目标格式(UTF-8),而从str到unicode过程中,系统认为str为默认编码格式,一般认为是ASCII,如果原始编码不是ASCII则会发生错误。

下面来看几个例子
1.查看默认编码格式

>>> import sys
>>> sys.getdefaultencoding()
'ascii'
>>> s = '您好'
>>> s
'xc4xfaxbaxc3' #这是GBK编码格式的字节流
>>> s1=u'您好'
>>> s1
u'xc4xfaxbaxc3'# 这个吗,看看对象类型。u的意义是声明它后面跟随的字符串是unicode格式编码,如果不是,则会出错。
<type 'str'>
>>> type(s1)
<type 'unicode'> #s1是unicode类型的,但是里面的内容是GBK格式的
转化到utf-8格式
>>> su = s.encode('utf-8')
Traceback (most recent call last):
  File "<pyshell#9>", line 1, in <module>
    su = s.encode('utf-8')
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in range(128)
直接转化发生错误
>>> su = s.decode('gbk').encode('utf-8')
>>> su
'xe6x82xa8xe5xa5xbd'
>>> print su
鎮ㄥソ
>>> sun = su.decode('utf-8')
>>> sun
u'u60a8u597d'
>>> print sun
您好
>>> s.decode('gbk')
u'u60a8u597d'
s1.decode('gbk')
Traceback (most recent call last): File "<pyshell#17>", line 1, in <module> s1.decode('gbk')UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-3: ordinal not in range(128)
文件的编码格式和编码声明的作用 把'您好'分别保存为 ASCII格式文件,unicode格式文件,和UTF-8格式文件,使用16进制文件查看其查看文件内容。

可见,采用不同的编码格式,看起来一样的字符,其存储格式是不同的。编码声明就是显式的说明文件中的字符编码格式,并且告知系统,后面遇到的字符,全按照声明的格式去解释。例如脚本文件

s = '您好'
print repr(s)
a.如果文件格式为utf-8,则str的值为:'xe6x82xa8xe5xa5xbd'
b.如果文件格式为ASCII,则str的值为:'xc4xfaxbaxc3' 

如果编码格式和声明不相符合呢?

文件为UTF-8格式保存,声明为GBK

# -*- coding: GBK -*-
s = '您好'
print repr(s)
print s 运行结果
'xe6x82xa8xe5xa5xbd'
鎮ㄥソ
文件为ASCII,声明为UTF-8(我们知道文件会被保存为GBK格式)
'xc4xfaxbaxc3'
您好
根据上面的讨论,这个好像是理所当然的。来点神奇的。

文件为UTF-8格式保存,声明为GBK

# -*- coding: GBK -*-
s = u'您好'
print repr(s)
print s
运行结果为
u'u93aeu3125u30bd'
鎮ㄥソ

为什么会这样?在运行ss = u'您好'的时候,整个过程可分为以下几步:

1) 获取'您好'的编码:由文件编码格式确定,为‘xe6x82xa8xe5xa5xbd’

2) 转成unicode编码的时候,根据文件的显示编码格式声明对'xe6x82xa8xe5xa5xbd'解码,不是用utf-8解码,而是用声明编码处指定的编码GBK解码,得到字符串‘鎮ㄥソ’',这三个字的unicode编码就是u'/u93ae/u3125/u30bd',因此 print repr(ss)输出的是/u93ae/u3125/u30bd。

热点推荐

    SQL Error: select * from ***_***_news where id in ()