python 中文乱码问题
来源:互联网 发布:c语言课程设计贪吃蛇 编辑:程序博客网 时间:2024/05/10 09:53
你要是碰到该问题了,并且google了,那么估计你已经快无奈了。希望下面的说明对你有用。
本文主要说明如何从网站获取页面,并且如何查找页面中的中文字符。实验中的平台为python 2.7 。
python2.7 太直接了,操作系统给它什么格式编码的字符串,它就接收啥格式的字符串,默认的格式与你使用的格式不同,因此,各种错误出现了。
解决方法:
1.知道系统所使用的编码格式
2.把获取的页面先用系统格式解码,然后在编码为utf8格式
3.你的脚本中统一使用uft8编码
4.处理结束,把你的字符串先utf8解码,然后系统格式编码。
流程结束
# -*- coding: utf-8 -*-import sysimport urllib2 # 获得系统默认编码格式sysCharType = sys.getfilesystemencoding()# 获取页面headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'} req = urllib2.Request("http://www.baidu.com/", headers=headers) html = urllib2.urlopen(req).read()sysHtml = html.decode(sysCharType).encode('utf-8')s = '百度一下,你就知道'if html.find(s)!= -1: print '未经转化 字符匹配'else: print '未经转化 字符不匹配' if sysHtml.find(s)!= -1: print '经过转化 字符匹配'else: print '经过转化 字符不匹配'
另,看了kiki113的文章后,大有收获。kiki113的原始帖子地址。
str为字节数组,它仅仅是一个字节流,没有其它的含义。而unicode是一种编码格式。我们可以把具有unicode编码格式的字符串看做字节流,但是不能把随意一个字节流当做unicode字符串解释。这就是在进行字符编码转化中经常发生问题的直接原因。
在python中,如果将一个str直接编码成另一种编码例如UTF-8,则系统先把str解码成unicode,然后把unicode编码格式转化为目标格式(UTF-8),而从str到unicode过程中,系统认为str为默认编码格式,一般认为是ASCII,如果原始编码不是ASCII则会发生错误。
下面来看几个例子
1.查看默认编码格式
>>> import sys>>> sys.getdefaultencoding()'ascii'>>> s = '您好'>>> s'\xc4\xfa\xba\xc3' #这是GBK编码格式的字节流>>> s1=u'您好'>>> s1u'\xc4\xfa\xba\xc3'# 这个吗,看看对象类型。u的意义是声明它后面跟随的字符串是unicode格式编码,如果不是,则会出错。<type 'str'>>>> type(s1)<type 'unicode'> #s1是unicode类型的,但是里面的内容是GBK格式的
转化到utf-8格式
>>> su = s.encode('utf-8')Traceback (most recent call last): File "<pyshell#9>", line 1, in <module> su = s.encode('utf-8')UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in range(128)直接转化发生错误>>> su = s.decode('gbk').encode('utf-8')>>> su'\xe6\x82\xa8\xe5\xa5\xbd'>>> print su鎮ㄥソ>>> sun = su.decode('utf-8')>>> sunu'\u60a8\u597d'>>> print sun您好>>> s.decode('gbk')u'\u60a8\u597d's1.decode('gbk')Traceback (most recent call last): File "<pyshell#17>", line 1, in <module> s1.decode('gbk')UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-3: ordinal not in range(128)
文件的编码格式和编码声明的作用 把'您好'分别保存为 ASCII格式文件,unicode格式文件,和UTF-8格式文件,使用16进制文件查看其查看文件内容。可见,采用不同的编码格式,看起来一样的字符,其存储格式是不同的。编码声明就是显式的说明文件中的字符编码格式,并且告知系统,后面遇到的字符,全按照声明的格式去解释。例如脚本文件
s = '您好'print repr(s)
a.如果文件格式为utf-8,则str的值为:'\xe6\x82\xa8\xe5\xa5\xbd'
b.如果文件格式为ASCII,则str的值为:'\xc4\xfa\xba\xc3'
如果编码格式和声明不相符合呢?
文件为UTF-8格式保存,声明为GBK
# -*- coding: GBK -*-s = '您好'print repr(s)print s运行结果
'\xe6\x82\xa8\xe5\xa5\xbd'鎮ㄥソ
文件为ASCII,声明为UTF-8(我们知道文件会被保存为GBK格式)
'\xc4\xfa\xba\xc3'您好根据上面的讨论,这个好像是理所当然的。来点神奇的。
文件为UTF-8格式保存,声明为GBK
# -*- coding: GBK -*-s = u'您好'print repr(s)print s运行结果为
u'\u93ae\u3125\u30bd'鎮ㄥソ
为什么会这样?在运行ss = u'您好'的时候,整个过程可分为以下几步:
1) 获取'您好'的编码:由文件编码格式确定,为‘\xe6\x82\xa8\xe5\xa5\xbd’
2) 转成unicode编码的时候,根据文件的显示编码格式声明对'\xe6\x82\xa8\xe5\xa5\xbd'解码,不是用utf-8解码,而是用声明编码处指定的编码GBK解码,得到字符串‘鎮ㄥソ’',这三个字的unicode编码就是u'/u93ae/u3125/u30bd',因此 print repr(ss)输出的是/u93ae/u3125/u30bd。
- python中文乱码问题
- python中文乱码问题
- python中文乱码问题
- python 中文乱码问题
- python 中文乱码问题
- 【python】中文乱码问题
- Python 中文乱码问题
- python 中文乱码问题
- python中文乱码问题
- python 中文乱码问题
- python 中文乱码问题
- python 中文乱码问题
- python中文乱码问题
- Python中文乱码问题
- python 中文乱码问题
- Python 中文乱码问题
- python中文乱码的问题
- python编程--中文乱码问题
- http-equiv
- 接口与抽象类的区别
- 2月新作
- 软件设计师教程(第三版)(修订版)一二章摘要
- cassandra体系结构(概述)
- python 中文乱码问题
- 书摘---个人效率提升秘诀
- android webservice接口鉴权方案
- OpenGL---点、直线、多边形与几个函数小记
- 11.2.0.3 RAC IO问题
- Google Code项目代码托管网站上Git版本控制系统使用简明教程
- 大话设计模式之面向对象基础
- 论设计模式在软件开发中的应用
- STL源码剖析学习之increment、decrement、dereference实现源码