Lösung für das Standardcodierungsproblem von python2.x

Die Verarbeitung von Chinesisch in Python2.x bereitet Kopfschmerzen. Artikel, die in diesem Bereich im Internet geschrieben wurden, wurden ungleichmäßig getestet und es gibt immer Fehler, daher habe ich vor, selbst einen Artikel zusammenzufassen.

Ich werde diesen Blog auch in Zukunft während meines Studiums weiter modifizieren.

Es wird davon ausgegangen, dass die Leser bereits über Grundkenntnisse in Bezug auf die Codierung verfügen. In diesem Artikel wird nicht erneut darauf eingegangen, einschließlich dessen, was UTF-8 ist, was Unicode ist und welche Beziehung zwischen ihnen besteht.
str und bytecode

Lassen Sie uns zunächst einmal überhaupt nicht über Unicode sprechen.

s = "人生苦短"

s ist ein String, der selbst Bytecode speichert. Was ist also das Format dieses Bytecodes?

Wenn dieser Code im Interpreter eingegeben wird, ist das Format dieses s das Codierungsformat des Interpreters, es ist gbk.

Wenn der Code gespeichert und dann ausgeführt wird, beispielsweise wenn er als utf-8 gespeichert ist, wird s beim Laden dieses Programms mit der utf-8-Kodierung initialisiert.
Unicode und str

Wir wissen, dass Unicode ein Codierungsstandard ist und der spezifische Implementierungsstandard utf-8, utf-16, gbk ... sein kann

Python verwendet intern zwei Bytes zum Speichern eines Unicodes. Der Vorteil der Verwendung von Unicode-Objekten anstelle von str besteht darin, dass Unicode für plattformübergreifende Zwecke geeignet ist.

Sie können einen Unicode auf die folgenden zwei Arten definieren:

s1 = u"人生苦短"
s2 = unicode("人生苦短", "utf-8")

kodieren und dekodieren

Die Kodierung und Dekodierung in Python ist wie folgt :

So können wir Code wie diesen schreiben:

# -*- coding:utf-8 -*-
su = "人生苦短"
# ： su是一个utf-8格式的字节串
u = s.decode("utf-8")
# ： s被解码为unicode对象，赋给u
sg = u.encode("gbk")
# ： u被编码为gbk格式的字节串，赋给sg
print sg
# 打印sg

Aber die Realität ist komplizierter als das, schauen Sie sich zum Beispiel an der folgende Code:

s = "人生苦短"
s.encode('gbk')

Schau! str kann auch codiert werden (tatsächlich können auch Unicode-Objekte decodiert werden, aber das ist von geringer Bedeutung)

Warum ist das möglich? Wenn Sie sich die Pfeile des Codierungsprozesses im Bild oben ansehen, können Sie sich das Prinzip beim Codieren von str vorstellen: Es decodiert sich zunächst selbst unter Verwendung der Standardcodierung in Unicode und codiert dann Unicode in die von Ihnen angegebene Codierung.

Dies führt zu dem Grund, warum die meisten Fehler bei der Verarbeitung von Chinesisch in Python2 auftreten. >

Der obige Code meldet einen Fehler,
Fehlermeldung

# -*- coding: utf-8 -*-
s = "人生苦短"
s.encode('gbk')

Weil Sie keine Standardkodierung angegeben haben. Es macht also tatsächlich so etwas:

Standardkodierung festlegen

# -*- coding: utf-8 -*-
s = "人生苦短"
s.decode('ascii').encode('gbk')

Der Code zum Festlegen der Standardcodierung lautet wie folgt:

reload(sys)
sys.setdefaultencoding('utf-8')

Ein weiteres Beispiel: Wenn Sie str zum Erstellen eines Unicode-Objekts verwenden und Sie das Codierungsformat dieses str nicht angeben, verwendet das Programm auch die Standardcodierung.

s.encode("utf-8") 等价于 s.decode(defaultencoding).encode("utf-8")

u = unicode("人生苦短") 等价于 u = unicode("人生苦短",defaultencoding)

Der Dateiheader deklariert die Rolle der Codierung.

Vielen Dank an diesen Blog für die Erklärung des Header-Teils von Python-Dateien. Oben: # -*- Kodierung: utf-8 -*- scheint derzeit drei Funktionen zu haben.

Wenn der Code chinesische

enthält, benötigen Sie diese Anweisung

Editoren (wie meine Emacs) deklarieren basierend auf dem Header, Verwenden Sie dieses als Format für Ihre Codedateien. Das Programm dekodiert und initialisiert u „Das Leben ist kurz“ über die Header-Deklaration, ein solches Unicode-Objekt (daher müssen das Speicherformat der Header-Deklaration und der Code konsistent sein)
Über Die Requests-Bibliothek

requests ist eine sehr praktische Python-HTTP-Client-Bibliothek, die häufig beim Schreiben von Crawlern und beim Testen von Serverantwortdaten verwendet wird. Das Request-Objekt gibt nach dem Zugriff auf den Server ein Response-Objekt zurück. Dieses Objekt speichert den zurückgegebenen HTTP-Antwort-Bytecode im Inhaltsattribut.

Wenn Sie jedoch auf einen anderen Attributtext zugreifen, wird ein Unicode-Objekt zurückgegeben, und hier treten häufig verstümmelte Zeichen auf.

Weil das Antwortobjekt den Bytecode durch eine andere Attributkodierung in Unicode kodiert und dieses Kodierungsattribut tatsächlich von den Antworten selbst erraten wird.

官方文档：

text
Content of the response, in unicode.

If Response.encoding is None, encoding will be guessed using chardet.

The encoding of the response content is determined based solely on HTTP headers, following RFC 2616 to the letter. If you can take advantage of non-HTTP knowledge to make a better guess at the encoding, you should set r.encoding appropriately before accessing this property.

所以要么你直接使用content(字节码)，要么记得把encoding设置正确，比如我获取了一段gbk编码的网页,就需要以下方法才能得到正确的unicode。

import requests
url = "http://xxx.xxx.xxx"
response = requests.get(url)
response.encoding = 'gbk'
  
print response.text

如果是早期的我写博客，那么我一定会写这样的例子：不仅仅要原理，更要使用方法！

如果现在的文件编码为gbk,然后文件头为：# -*- coding: utf-8 -*-，再将默认编码设置为xxx，那么如下程序的结果会是……

这就类似于，当年学c的时候，用各种优先级，结合性，指针来展示自己水平的代码。

实际上这些根本就不实用，谁会在真正的工作中写这样的代码呢？我在这里想谈谈实用的处理中文的python方法。

基本设置

主动设置defaultencoding。（默认的是ascii）

代码文件的保存格式要与文件头部的# coding:xxx一致

如果是中文，程序内部尽量使用unicode，而不用str

关于打印

你在打印str的时候，实际就是直接将字节流发送给shell。如果你的字节流编码格式与shell的编码格式不相同，就会乱码。

而你在打印unicode的时候，系统自动将其编码为shell的编码格式，是不会出现乱码的。

程序内外要统一

如果说程序内部要保证只用unicode，那么在从外部读如字节流的时候，一定要将这些字节流转化为unicode，在后面的代码中去处理unicode，而不是str。

with open("test") as f:
 for i in f:
 # 将读入的utf-8字节流进行解码
 u = i.decode('utf-8')
 ....

如果把连接程序内外的这段数据流比喻成通道的的话，那么与其将通道开为字节流，读入后进行解码，不如直接将通道开为unicode的。

# 使用codecs直接开unicode通道
file = codecs.open("test", "r", "utf-8")
for i in file:
 print type(i)
 # i的类型是unicode的

所以python处理中文编码问题的关键是你要清晰的明白，自己在干什么，打算读入什么格式的编码，声明的的这些字节是什么格式的，str到unicode是如何转换的，str的一种编码到另一种编码又是如何进行的。 还有，你不能把问题变得混乱，要自己主动去维护一种统一。

python 3和2很大区别就是python本身改为默认用unicode编码。

字符串不再区分"abc"和u"abc", 字符串"abc"默认就是unicode，不再代表本地编码、

由于有这种内部编码，像c#和java类似，再没有必要在语言环境内做类似设置编码，比如“sys.setdefaultencoding”;

也因此也python 3的代码和包管理上打破了和2.x的兼容。2.x的扩展包要适应这种情况改写。

另一个问题是语言环境内只有unicode怎么输出gbk之类的本地编码。

1.如果你在Python中进行编码和解码的时候，不指定编码方式，那么python就会使用defaultencoding。 而python2.x的的defaultencoding是ascii,

这也就是大多数python编码报错：“UnicodeDecodeError: 'ascii' codec can't decode byte ......”的原因。

2.关于头部的# coding：utf-8,有以下几个作用 2.1如果代码中有中文注释，就需要此声明 2.2比较高级的编辑器（比如我的emacs），会根据头部声明，将此作为代码文件的格式。 2.3程序会通过头部声明，解码初始化 u"人生苦短"，这样的unicode对象，（所以头部声明和代码的存储格式要一致）

python2.7以后不用setdefaultencoding了，这两个是没有区别的

这两个作用不一样, 1. # coding:utf-8 作用是定义源代码的编码. 如果没有定义, 此源码中是不可以包含中文字符串的. PEP 0263 -- Defining Python Source Code Encodings https://www.python.org/dev/peps/pep-0263/ 2. sys.getdefaultencoding() 是设置默认的string的编码格式

答按惯例都在(序列化)输出时才转换成本地编码。

Das obige ist der detaillierte Inhalt vonLösung für das Standardcodierungsproblem von python2.x. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!