Solution au problème d'encodage par défaut de python2.x

Traitement du chinois en python2.x est un casse-tête. Les articles écrits dans ce domaine sur Internet ont été inégalement testés et il y a toujours des erreurs, j'ai donc l'intention de résumer un article moi-même.

Je continuerai également à modifier ce blog au fur et à mesure de mes études à l'avenir.

On suppose que les lecteurs ont déjà des connaissances de base liées à l'encodage. Cet article ne le présentera pas à nouveau, y compris ce qu'est l'utf-8, ce qu'est l'unicode et quelle est la relation entre eux.
str et bytecode

Tout d'abord, ne parlons pas du tout d'Unicode.

s = "人生苦短"

s est une chaîne, qui stocke elle-même le bytecode. Alors quel est le format de ce bytecode ?

Si ce code est saisi sur l'interpréteur, alors le format de ce s est le format d'encodage de l'interpréteur Pour Windows cmd, c'est gbk.

Si le code est enregistré puis exécuté, par exemple s'il est stocké au format utf-8, alors lorsque l'interpréteur chargera ce programme, s sera initialisé au codage utf-8.
unicode et str

Nous savons qu'Unicode est une norme de codage, et la norme d'implémentation spécifique peut être utf-8, utf-16, gbk...

Python utilise deux octets en interne pour stocker un unicode. L'avantage d'utiliser des objets Unicode au lieu de str est que l'Unicode est pratique pour plusieurs plates-formes.

Vous pouvez définir un Unicode des deux manières suivantes :

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

encoder et décoder

L'encodage et le décodage en python sont comme ceci :

On peut donc écrire du code comme ceci :

# -*- 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

Mais la réalité est plus compliquée que cela, par exemple, regardez le code suivant :

s = "人生苦短"
s.encode('gbk')

Regardez ! str peut aussi être codé (en fait, les objets Unicode peuvent aussi être décodés, mais cela n'a que peu d'importance)

Pourquoi est-ce possible ? En regardant les flèches du processus d'encodage dans l'image ci-dessus, vous pouvez penser au principe. Lors de l'encodage de str, il se décodera d'abord en Unicode en utilisant l'encodage par défaut, puis encodera l'Unicode selon l'encodage que vous spécifiez.

Cela explique pourquoi la plupart des erreurs se produisent lors du traitement du chinois en python2 >

Le code ci-dessus signalera une erreur,
Message d'erreur

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

Parce que vous n'avez pas spécifié l'encodage par défaut, il fait donc quelque chose comme ceci :

Définir l'encodage par défaut

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

Le code pour définir l'encodage par défaut est le suivant :

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

Pour un autre exemple, lorsque vous utilisez str pour créer un objet unicode, si vous ne spécifiez pas le format d'encodage de cette str, le programme utilisera également l'encodage par défaut.

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)

L'en-tête du fichier déclare le rôle de l'encodage.

Merci à ce blog pour avoir expliqué la partie en-tête des fichiers python. Le top:# -*- coding: utf-8 -*- semble actuellement avoir trois fonctions.

S'il y a des

chinois dans le code, vous avez besoin de cette déclaration

éditeurs plus avancés (comme mon emacs) déclareront en fonction de l'en-tête, Utilisez-le comme format pour vos fichiers de code. Le programme décodera et initialisera votre "La vie est courte" via la déclaration d'en-tête, tel un objet Unicode (donc le format de stockage de la déclaration d'en-tête et le code doivent être cohérents)
À propos la bibliothèque de requêtes

requests est une bibliothèque client HTTP Python très pratique, qui est souvent utilisée lors de l'écriture de robots d'exploration et du test des données de réponse du serveur. L'objet Request renverra un objet Response après avoir accédé au serveur. Cet objet enregistre le bytecode de réponse Http renvoyé dans l'attribut de contenu.

Mais si vous accédez à un autre texte d'attribut, un objet Unicode sera renvoyé et des caractères tronqués apparaîtront souvent ici.

Parce que l'objet Response encodera le bytecode en Unicode via un autre encodage d'attribut, et cet attribut d'encodage est en fait deviné par les réponses elles-mêmes.

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。

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!