Python字符集编码和文件读写 [转]

python中默认编码是ASCII，可以通过以下方式设置和获取：

import sys
print sys.getdefaultencoding()
sys.setdefaultencoding('gbk')

但直到python重新启动后新的默认编码才会生效，我试了一下，setdefaultencoding总是会出错，没有这个属性。用dir看，确实没有，python版本是2.5，不知道是否被取消了。

使用print来输出时，python将内容传递给系统处理，windows会按照系统默认编码来输出。如果包含了中文，就要注意几点。

1 python代码文件的编码
py文件默认是ASCII编码，中文在显示时会做一个ASCII到系统默认编码的转换，这时就会出错：SyntaxError: Non-ASCII character。需要在代码文件的第一行或第二行添加编码指示：

1 # coding=gbk
2 print '中文'

2 字符串的编码
像上面那样直接输入的字符串是按照代码文件的编码来处理的，如果是unicode编码，有以下三种方式：

1 s1 = u'中文'
2 s2 = unicode('中文','gbk')
3 s3 = s1.decode('gbk')

unicode是一个内置函数，第二个参数指示源字符串的编码格式。
decode是任何字符串具有的方法，将字符串转换成unicode格式，参数指示源字符串的编码格式。
encode也是任何字符串具有的方法，将字符串转换成参数指定的格式。

3 系统的默认编码
对 于中文系统来说，默认的是gbk，gb2312也可以，因为它是gbk的字集。使用print输出时，字符串会被转换成此格式，隐式转换时，是从代码文件 编码格式转换成gbk，默认是ASCII->GBK。考虑上面第二点，如果字符串编码不是ASCII，则隐式转换会出错，需要显式转换，使用 encode方法。如果指定了代码文件格式为gbk，则隐式转换不存在问题。

1 # coding=gbk
2 
3 s = u'中文'
4 print s.encode('gbk')

文件读写

---

只是ASCII或者gbk编码格式的的文件读写，比较简单，读写如下：

 1 # coding=gbk
 2 
 3 f = open('c:/intimate.txt','r') # r 指示文件打开模式，即只读
 4 s1 = f.read()
 5 s2 = f.readline()
 6 s3 = f.readlines() #读出所有内容
 7 
 8 f.close()
 9 
10 f = open('c:/intimate.txt','w') # w 写文件
11 f.write(s1)
12 f.writelines(s2) # 没有writeline
13 f.close()

f.writelines不会输出换行符。
unicode文件读写：

 1 # coding=gbk
 2 import codecs
 3 
 4 f = codecs.open('c:/intimate.txt','a','utf-8')
 5 f.write(u'中文')
 6 s = '中文'
 7 f.write(s.decode('gbk'))
 8 f.close()
 9 
10 f = codecs.open('c:/intimate.txt','r','utf-8')
11 s = f.readlines()
12 f.close()
13 for line in s:
14     print line.encode('gbk')

 

#---------------------------------------------------------------------------------------
以上为转发的内容,下面为我做的一些补充。

对于上文中'setdefaultencoding总是会出错'这个问题,可以通过以下方式解决:

import sys
reload(sys)
print sys.getdefaultencoding()
sys.setdefaultencoding('utf-8')

通过上面的代码,应该就可以把系统的编码方式更改了.

 

在我们对一个不规范合法的编码字符串进行解码时会抛出异常：

>>> s = "\x84\xe5\xb0\x8f\xe6\x98\x8e"
>>> s.decode('utf-8')

Traceback (most recent call last):
  File "<interactive input>", line 1, in ?
  File "E:\Program Files\Python24\lib\encodings\utf_8.py", line 16, in decode
UnicodeDecodeError: 'utf8' codec can't decode byte 0x84 in position 0: unexpected code byte
>>>

下面对s进行分析：

把s转换为二进制代码为：10000100 11100101 10110000 10001111 10110110 10011000 10001011

对这段二进制代码分析：第一个字节为10000100，而在utf-8编码规范规定0x80 到 0xBF 范围内的字节,只是跟随字节, 它们本身并不是字符，因此此处把它放到第一个字节处不不合法的。然后对第二个字节进行分析可看出它左边有三个连续的1，这意味着第二个字节和随后的两个字节，（即11100101 10110000 10001111 ）共三个字节一起编码为一个字符。同理可分析出后面的三个字节编码为一个字符。

因此我们只要把第一个不合法的字节去掉，就可以正常解码了

 

>>> s = '\xe5\xb0\x8f\xe6\x98\x8e'
>>> print s.decode('utf-8')
小明
>>> 

问题是如果我们不知道字符里的不合法字节的位置时该怎么进行解码并的出正常编码的那些字符的结果呢，我们可以使用如下两种方法：

>>> s = '\x84\xe5\xb0\x8f\xe6\x98\x8e\x84'
>>> s.decode('utf-8')
Traceback (most recent call last):
  File "<interactive input>", line 1, in ?
  File "E:\Program Files\Python24\lib\encodings\utf_8.py", line 16, in decode
UnicodeDecodeError: 'utf8' codec can't decode byte 0x84 in position 0: unexpected code byte
>>> print s.decode('utf-8', 'ignore')
小明
>>> print s.decode('utf-8', 'replace')
?小明?
>>> 

由上面的代码我们可以看到调用decode函数时第二个参数为对于不合法（即错误）的字节处理的方式，默认情况下为'strict'，即出现错误字节就抛出异常。而'ignore'方式，则会忽略字符串中不合法的字节，'replace'方式下会用固定的字节替换掉那些不合法的字节。