python与编码

Python中的文字对象

Python 3.x中处理文字的对象有str, bytes, bytearray。

• bytes和bytearray可以使用除了用作格式化的方法(format, format_map)以及几个特殊的基于Unicode的方法(casefold, isdecimal, isidentifier, isnumeric, isPRintable, encode)以外几乎所有str的方法。
  

• bytes有一个类方法，可以通过序列来构建字符串，而这个方法不可以用在str上。

  >>> b = bytes.fromhex('E4 B8 AD')>>> bb'/xe4/xb8/xad'>>> b.decode('utf-8')'中'>>> str(b)"b'//xe4//xb8//xad'"

  Unicode和字符转换

  采用chr可以把一个Unicode的code point转换为字符，通过ord可以进行反向操作。

  >>> ord('A')65>>> ord('中')20013>>> chr(65)'A'>>> chr(20013)'中'

len函数计算的是字符数，不是字节数

>>> len('中')1>>> '中'.encode('utf-8')b'/xe4/xb8/xad'>>> len('中'.encode('utf-8'))    #计算的是bytes对象的长度，包含3个整数字符3

Python与编码

Python内部处理编码的方式

在Python接受我们的输入时，总是会先转为Unicode。而且这个过程越早越好。
然后Python的处理总是对Unicode进行的，在这个过程中，一定不要进行编码转换的工作。
在Python向我们返回结果时，总是会从Unicode转为我们需要的编码。而且这个过程越晚越好。

Python源码的编码方式

Python默认使用utf-8编码。
如果想使用一种不同的编码方式来保存Python代码，我们可以在每个文件的第一行或者第二行(如果第一行被hash-bang命令占用了)放置编码声明(encoding declaration)
# ‐*‐ coding: windows‐1252 ‐*‐

Python中使用的编码

C:/Users/JL>chcp        #查找操作系统使用的编码Active code page: 936>>> import sys, locale>>> locale.getpreferredencoding()    #这个是最重要的'cp936'>>> my_file = open('cafe.txt','r')>>> type(my_file)<class '_io.TextIOWrapper'>>>> my_file.encoding    #文件对象默认使用locale.getpreferreddecoding()的值'cp936'>>> sys.stdout.isatty(), sys.stdin.isatty(), sys.stderr.isatty()    #output是否是控制台console(True, True, True)>>> sys.stdout.encoding, sys.stdin.encoding, sys.stderr.encoding    #sys的标准控制流如果被重定向，或者定向到文件，那么编码将使用环境变量PYTHONIOENCODING的值、控制台console的编码、或者locale.getpreferredencoding()的编码，优先级依次减弱。('cp936', 'cp936', 'cp936')>>> sys.getdefaultencoding()    #如果Python需要把二进制数据转为字符对象，那么在缺省情况下使用该值。'utf-8'>>> sys.getfilesystemencoding()    #Python用来编码或者解码文件名(不是文件内容)的时候，默认使用该编码。'mbcs'

以上是在Windows中的测试结果，如果在GNU/linux或者OSX中，那么所有的结果都是UTF-8.
关于mbcs和utf-8的区别，可以参考http://stackoverflow.com/questions/3298569/difference-between-mbcs-and-utf-8-on-windows

文件读写的编码

>>> pen('cafe.txt','w',encoding='utf-8').write('café')4>>> fp = open('cafe.txt','r')>>> fp.read()'caf茅'>>> fp.encoding'cp936'>>> open('cafe.txt','r', encoding = 'cp936').read()'caf茅'>>> open('cafe.txt','r', encoding = 'latin1').read()'café'>>> fp = open('cafe.txt','r', encoding = 'utf-8')>>> fp.encoding'utf-8'

从上面的例子可以看出，无论什么时候都不要使用默认的编码，因为在不同的机器上运行的时候会出现意想不到的问题。

Python如何处理来自Unicode的麻烦

Python总是通过code point来比较字符串的大小，或者是否相等的。

• Unicode中重音符号有两种表示方法，用一个字节表示，或者用基字母加上重音符号表示，在Unicode中他们是相等的，但是在Python中由于通过code point来比较大小，所以就不相等了。

  >>> c1 = 'cafe/u0301'>>> c2 = 'café'>>> c1 == c2False>>> len(c1), len(c2)(5, 4)

  解决方法是通过unicodedata库中的normalize函数，该函数的第一个参数可以接受"NFC",'NFD','NFKC','NFKD'四个参数中的一个。
  NFC(Normalization Form Canonical Composition)：以标准等价方式来分解，然后以标准等价重组之。若是singleton的话，重组结果有可能和分解前不同。尽可能的缩短整个字符串的长度，所以会把'e/u0301'2个字节压缩到一个字节'é'。
  NFD(Normalization Form Canonical Decomposition)：以标准等价方式来分解
  NFKD(Normalization Form Compatibility Decomposition)：以相容等价方式来分解
  NFKC(Normalization Form Compatibility Composition)：以相容等价方式来分解，然后以标准等价重组之。
  NFKC和NFKD可能会引起数据损失。

from unicodedata import normalize>>> c3 = normalize('NFC',c1)        #把c1往字符串长度缩短的方向操作>>> len(c3)4>>> c3 == c2True>>> c4 = normalize('NFD',c2)>>> len(c4)5>>> c4 == c1True

西方的键盘通常会键入尽可能短的字符串，也就是说和"NFC"的结果一致，但是通过"NFC"来操作一下再比较字符串是否相等比较安全。且W3C建议使用"NFC"的结果。

• 同样的一个字符在Unicode中有两个不同的编码。
  该函数会把一个单一的Unicode字符转为另一个Unicode字符。

  >>> o1 = '/u2126'>>> o2 = '/u03a9'>>> o1, o2('Ω', 'Ω')>>> o1 == o2False>>> name(o1), name(o2)('OHM SIGN', 'GREEK CAPITAL LETTER OMEGA')>>> o3 = normalize('NFC',o1)>>> name(o3)'GREEK CAPITAL LETTER OMEGA'>>> o3 == o2True

  又比如

  >>> u1 = '/u00b5'>>> u2 = '/u03bc'>>> u1,u2('µ', 'μ')>>> name(u1), name(u2)('MICRO SIGN', 'GREEK SMALL LETTER MU')>>> u3 = normalize('NFKD',u1)>>> name(u3)'GREEK SMALL LETTER MU'

  再一个例子

  >>> h1 = '/u00bd'>>> h2 = normalize('NFKC',h1)>>> h1, h2('½', '1⁄2')>>> len(h1), len(h2)(1, 3)

• 有时候我们希望使用不区分大小写的形式进行比较
  使用方法str.casefold()，该方法会把大写字母转换为小写进行比较，比如'A'会转为'a'，'MICRO SIGN'的'µ'会转换为'GREEK SMALL LETTER MU'的'µ'
  在绝大部分(98.9%)情况下str.casefold()和str.lower()的结果一致。

• 文字排序
  由于不同的语言规则，如果单纯按照Python的比较code point的方式进行，那么会出现很多不是用户期望的结果。
  通常采用locale.strxfrm进行排序。

  >>> import locale>>> locale.setlocale(locale.LC_COLLATE,'pt_BR.UTF-8')'pt_BR.UTF-8'>>> sort_result = sorted(intial, key = locale.strxfrm)

  编码解码错误

  如果是Python源码中出现了解码错误，那么会产生SyntaxError异常。
  其他情况下，如果发现编码解码错误，那么会产生UnicodeEncodeError, UnicodeDecodeError异常。

几个摘自fluent python中的有用方法

from unicodedata import normalize, combiningdef nfc_equal(s1, s2):    '''return True if string s1 is eual to string s2 after normalization under "NFC" '''    return normalize("NFC",s1) == normalize("NFC",s2)def fold_equal(s1, s2):    '''return True if string s1 is eual to string s2 after normalization under "NFC" and casefold()'''    return normalize('NFC',s1).casefold() == normalize('NFC',s2).casefold()def shave_marks(txt):    '''Remove all diacritic marks    basically it only need to change Latin text to pure ASCII, but this func will change Greek letters also    below shave_latin_marks func is more precise'''    normal_txt = normalize('NFD',txt)    shaved = ''.join(c for c in normal_txt if not combining(c))    return normalize('NFC',shaved)def shave_latin_marks(txt):    '''Remove all diacritic marks from Latin base characters'''    normal_txt = normalize('NFD',txt)    keeping = []    latin_base=False    for c in normal_txt:        if combining(c) and latin_base:            continue    #Ingore diacritic marks on Latin base char        keeping.append(c)        #If it's not combining char, it should be a new base char        if not combining(c):            latin_base = c in string.ascii_letters

编码探嗅Chardet

这是Python的标准模块。

参考资料：

1. http://blog.csdn.net/tcdddd/article/details/8191464