python中的unicode编码

概括、从python1.6开始就可以处理unicode字符了。

 

一、几种常见的编码格式。

1.1、ascii，用1个字节表示。

1.2、UTF-8,用1个至三个字节表示，表示ascii码时只占用1个字节，ascii编码是UTF-8的子集。

1.3、UTF-16,用2个字节表示，在python中，unicode的含义就是UTF-16。

 

二、python源文件的编码与解码，我们写的python程序从产生到执行的过程如下：

编辑器---->源代码---->解释器---->输出结果

2.1、编辑器决定源代码的编码格式（在编辑器中设定）

2.2、也必须要解释器知道源代码的编码格式（很遗憾很难从编码的数据获知源文件的编码格式）

2.3、补充：在Windows下当用UltraEdit把源代码存成UTF-8时，会在文件中记录BOM标志（不必祥究）这样ActivePython解释器会自动识别源文件是UTF-8格式，但是如果用e clipse 编辑源文件，虽然在编辑器中指定文件编码为UTF-8,但是因为没有记入BOM标志，所以必须在源文件开始处加上#coding=utf-8， 用注释来提示解释器源文件的编码方式挺有意思。

 

2.4、举例：例如我们要向终端输出"我是中国人"。 

#coding=utf-8     告诉python解释器用的是utf-8编码，我用的是eclipse+pydev
print "我是中国人"  #源文件本身也要存成UTF-8编码

2.5、当然我们可以用其他unicode编码，例如GB2312,SHIFT_JIS等等，但是建议用UTF-8,表示的字符更多，例如能同时显示中文和日文字符。

 

三、编码的转换，两种编码的转换要用UTF-16作为中转站。

举例：如果有一个文本文件jap.txt,里面有内容 "私は中国人です。"，编码格式是日文编码SHIFT_JIS，

还有一个文本文件chn.txt,内容是"中华人民共和国"，编码格式是中文编码GB2312。

我们如何把两个文件里的内容合并到一起并存储到utf.txt中并且不显示乱码呢，可以采用把两个文件的内容都转成UTF-8格式，因为UTF-8里包含了中文编码和日文编码。

#coding=utf-8

try:
    JAP=open("e:/jap.txt","r")
    CHN=open("e:/chn.txt","r")
    UTF=open("e:/utf.txt","w")
    
    jap_text=JAP.readline()
    chn_text=CHN.readline()
    #先decode成UTF-16,再encode成UTF-8
    jap_text_utf8=jap_text.decode("SHIFT_JIS").encode("UTF-8") #不转成utf-8也可以
    chn_text_utf8=chn_text.decode("GB2312").encode("UTF-8")#编码方式大小写都行utf-8也一样
    UTF.write(jap_text_utf8)
    UTF.write(chn_text_utf8)
    
except IOError,e:
    print "open file error",e

 

四、Tk库支持ascii,UTF-16,UTF-8

 

#coding=utf-8

from Tkinter import *

try:
    JAP=open("e:/jap.txt","r")
    str1=JAP.readline()

except IOError,e:
    print "open file error",e

root=Tk()

label1=Label(root,text=str1.decode("SHIFT_JIS")) #如果没有decode则显示乱码
label1.grid()

root.mainloop()

 

五、字符串相关

     1、默认情况下字符串的编码格式和源码的编码格式一致。

     2、如果在字符串前面加上u，则字符串会采用unicode编码。