python 编码问题

字符串在Python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。
decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode(‘gb2312’)，表示将gb2312编码的字符串str1转换成unicode编码。

encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode(‘gb2312’)，表示将unicode编码的字符串str2转换成gb2312编码。

因此，转码的时候一定要先搞明白，字符串str是什么编码，然后decode成unicode，然后再encode成其他编码

代码中字符串的默认编码与代码文件本身的编码一致。

如：s=’中文’

如果是在utf8的文件中，该字符串就是utf8编码，如果是在gb2312的文件中，则其编码为gb2312。这种情况下，要进行编码转换，都需要先用decode方法将其转换成unicode编码，再使用encode方法将其转换成其他编码。通常，在没有指定特定的编码方式时，都是使用的系统默认编码创建的代码文件。

如果字符串是这样定义：s=u’中文’

则该字符串的编码就被指定为unicode了，即Python的内部编码，而与代码文件本身的编码无关。因此，对于这种情况做编码转换，只需要直接使用encode方法将其转换成指定编码即可。

如果一个字符串已经是unicode了，再进行解码则将出错，因此通常要对其编码方式是否为unicode进行判断：

isinstance(s, unicode) #用来判断是否为unicode

用非unicode编码形式的str来encode会报错

如何获得系统的默认编码？

!/usr/bin/env python

coding=utf-8

import sys
print sys.getdefaultencoding()

该段程序在英文WindowsXP上输出为：ascii

在某些IDE中，字符串的输出总是出现乱码，甚至错误，其实是由于IDE的结果输出控制台自身不能显示字符串的编码，而不是程序本身的问题。

如在UliPad中运行如下代码：

s=u”中文”
print s

会提示：UnicodeEncodeError: ‘ascii’ codec can’t encode characters in position 0-1: ordinal not in range(128)。这是因为UliPad在英文WindowsXP上的控制台信息输出窗口是按照ascii编码输出的（英文系统的默认编码是ascii），而上面代码中的字符串是Unicode编码的，所以输出时产生了错误。

将最后一句改为：print s.encode(‘gb2312’)

则能正确输出“中文”两个字。

若最后一句改为：print s.encode(‘utf8’)

则输出：/xe4/xb8/xad/xe6/x96/x87，这是控制台信息输出窗口按照ascii编码输出utf8编码的字符串的结果。

unicode(str,’gb2312’)与str.decode(‘gb2312’)是一样的，都是将gb2312编码的str转为unicode编码

使用str.class可以查看str的编码形式

#!/usr/bin/env python#coding=utf-8s="中文"if isinstance(s, unicode):#s=u"中文"    print s.encode('gb2312')else:#s="中文"    print s.decode('utf-8').encode('gb2312')

from http://blog.csdn.net/lxdcyh/article/details/4018054

reload(sys)
sys.setdefaultencoding(‘utf8’) 这两行代码也很起作用

#!/usr/bin/env python# coding=utf-8import sysreload(sys)sys.setdefaultencoding('utf8')from wordseg import WordSegmentdoc = '十四是十四四十是四十，十四不是四十，四十不是十四,我爱吃很辣的宫保鸡丁，河南烩面，上河菜河南菜'doc = unicode(doc)if len(sys.argv) > 1:    doc = sys.argv[1]    print doc.__class__,'====',isinstance(doc,unicode)    doc.decode('utf-8')    doc=unicode(doc)    print '===decode utf8 =>',isinstance(doc,unicode)    print sys.getdefaultencoding(),'=>defaultencodeing'    print '===',docws = WordSegment(doc, max_word_len=2, min_aggregation=1, min_entropy=0.5)result = ws.segSentence(doc)#print result[1:3]print ' '.join(result);