python对多国语言的处理是支持的很好的,它可以处理现在任意编码的字符,这里深入的研究一下python对多种不同语言的处理。
有一点需要清楚的是,当python要做编码转换的时候,会借助于内部的编码,转换过程是这样的:
原有编码 -> 内部编码 -> 目的编码
python的内部是使用unicode来处理的,但是unicode的使用需要考虑的是它的编码格式有两种,一是UCS-2,它一共有65536个码 位,另一种是UCS-4,它有2147483648g个码位。对于这两种格式,python都是支持的,这个是在编译时通过--enable- unicode=ucs2或--enable-unicode=ucs4来指定的。那么我们自己默认安装的python有的什么编码怎么来确定呢?有一个 办法,就是通过sys.maxunicode的值来判断:
import sys
print sys.maxunicode
如果输出的值为65535,那么就是UCS-2,如果输出是1114111就是UCS-4编码。
我们要认识到一点:当一个字符串转换为内部编码后,它就不是str类型了!它是unicode类型:
a = " 风卷残云 "
print type(a)
b = a.unicode(a, " gb2312 " )
print type(b)
输出:
这个时候b可以方便的任意转换为其他编码,比如转换为utf-8:
c = b.encode( " utf-8 " )
print c
c输出的东西看起来是乱码,那就对了,因为是utf-8的字符串。
好了,该说说codecs模块了,它和我上面说的概念是密切相关的。codecs专门用作编码转换,当然,其实通过它的接口是可以扩展到其他关于代码方面的转换的,这个东西这里不涉及。
# -*- encoding: gb2312 -*-
import codecs, sys
print ' - ' * 60
# 创建gb2312编码器
look = codecs.lookup( " gb2312 " )
# 创建utf-8编码器
look2 = codecs.lookup( " utf-8 " )
a = " 我爱北京 "
print len(a), a
# 把a编码为内部的unicode, 但为什么方法名为decode呢,我的理解是把gb2312的字符串解码为unicode
b = look.decode(a)
# 返回的b[0]是数据,b[1]是长度,这个时候的类型是unicode了
print b[ 1 ], b[0], type(b[0])
# 把内部编码的unicode转换为gb2312编码的字符串,encode方法会返回一个字符串类型
b2 = look.encode(b[0])
# 发现不一样的地方了吧?转换回来之后,字符串长度由14变为了7! 现在的返回的长度才是真正的字数,原来的是字节数
print b2[ 1 ], b2[0], type(b2[0])
# 虽然上面返回了字数,但并不意味着用len求b2[0]的长度就是7了,仍然还是14,仅仅是codecs.encode会统计字数
print len(b2[0])
上面的代码就是codecs的使用,是最常见的用法。另外还有一个问题就是,如果我们处理的文件里的字符编码是其他类型的呢?这个读取进行做处理也需要特殊的处理的。codecs也提供了方法.
# -*- encoding: gb2312 -*-
import codecs, sys
# 用codecs提供的open方法来指定打开的文件的语言编码,它会在读取的时候自动转换为内部unicode
bfile = codecs.open( " dddd.txt " , ' r ' , " big5 " )
# bfile = open("dddd.txt", 'r')
ss = bfile.read()
bfile.close()
# 输出,这个时候看到的就是转换后的结果。如果使用语言内建的open函数来打开文件,这里看到的必定是乱码
print ss, type(ss)
相关推荐
C语言字符串转换为Python字符串的方法 C语言字符串转换为Python字符串是指将...C语言字符串转换为Python字符串需要根据不同的编码方式和数据类型选择合适的方法,以确保正确地将C语言字符串转换为Python字符串对象。
**Python字符编码检测库PyCharlockHolmes** Python在处理文本数据时,字符编码是一个重要的概念,因为不同的文件和数据源可能使用了不同的字符编码方式。PyCharlockHolmes是豆瓣公司开发的一个开源项目,旨在解决...
### Python字符编码与中文乱码问题详解 #### 一、引言 在处理中文文本时,经常遇到的一个问题是中文乱码。特别是在使用Python进行开发时,由于不同的操作系统默认编码方式不同,以及Python自身对源文件编码的处理...
在 Python 中,中文乱码问题一直是一个让人头疼的问题,经常抛出编码转换的异常。那么,Python 中的 str 和 unicode 到底是什么东西呢? 首先,Python 中的 unicode 指的是 unicode 对象。例如,u'/u54c8/u54c8' ...
Python字符编码是编程中至关重要的一个概念,尤其是在处理文本数据时。在计算机内存中,所有字符通常以Unicode编码表示,这是国际通用的标准字符集,包含了世界上几乎所有的字符。而在操作系统层面,比如中国的...
本文将对Python字符串进行深入探讨,涵盖其基本概念、操作方法以及高级特性。 一、字符串定义与创建 在Python中,字符串是由单引号或双引号括起来的字符序列。例如: ```python str1 = 'Hello, World!' str2 = ...
总之,彻底搞懂Python字符编码不仅有助于解决编程中的实际问题,还能帮助我们更好地理解计算机如何存储和处理文本信息,这对于任何级别的Python开发者来说都是非常有价值的。通过学习这些基础知识,我们可以更有效地...
Python 字符类型主要涉及到字符编码,特别是 Unicode 编码,这是一种全球通用的字符集标准,旨在解决不同语言和平台间的文本处理问题。Unicode 通过为每个语言中的每一个字符分配一个唯一的二进制值,实现了跨语言的...
5. 注意实际文本中可能出现的OCR错误或编码问题,并尝试在正则表达式中作出相应调整。 通过上述内容,我们可以看到,对于一些复杂的文本匹配需求,通过巧妙运用正则表达式的各种构造,我们可以有效地解决问题。掌握...
在Python编程中,文件读写操作是非常常见的需求之一,尤其是在处理非英文或特殊字符时,经常会遇到乱码问题。本文将深入探讨Python中的文件读写以及如何正确处理编码问题,避免出现乱码的情况。 #### 一、Python...
Python字符编码转换是编程过程中经常会遇到的问题,尤其是在处理多语言数据或者与不同系统交互时。本文将详细讨论Python中GBK和UTF-8两种编码格式之间的转换,并解释它们各自的特点。 首先,了解Python中的字符编码...
在信息论中,它利用字符出现的频率来构造一棵二叉树,进而为每个字符分配唯一的二进制码,使得频率高的字符编码长度短,频率低的字符编码长度长,从而达到压缩数据的目的。这种方法能够实现最优的前缀编码,即没有两...
### Python3字符串详解 #### 一、字符串简介 在Python3中,字符串是最常用的数据类型之一,用于存储一系列字符。字符串可以通过单引号('')或双引号("")创建。例如: ```python var1 = 'HelloWorld!' var2 = ...
python培训期间笔记,对数字类型,字符串等数据类型有详细介绍,其中还有字符编码部分,无废话版
综上所述,Python中文乱码问题主要源于字符编码的不匹配,通过正确识别和指定编码,可以避免大部分乱码情况的发生。在处理中文字符时,养成良好的编码习惯,统一使用UTF-8编码,可以显著减少乱码问题,提升开发效率...
2. **字符编码**:在文件的第二行,`# -*- coding: utf-8 -*-` 定义了源代码的字符编码为UTF-8,这是处理多语言字符集的推荐方式。 3. **字符串与数字之间的转换**:使用内置函数 `int()` 可以将字符串转换为整数,...
Python 中的字符串编码问题是非常常见的,很多开发者在处理字符串时会遇到乱码问题。这个问题的根源是 Python 字符串的内部表示是 Unicode 编码,而在编码转换时需要以 Unicode 作为中间编码。因此,了解 encode 和...
总的来说,理解Python2中的编码和解码机制,以及如何在处理文件和字符串时正确应用它们,对于避免中文乱码问题至关重要。通过细心处理编码转换,你可以确保Python程序能正确地处理各种语言的文本数据。