python对多国语言的处理是支持的很好的,它可以处理现在任意编码的字符,这里深入的研究一下python对多种不同语言的处理。
有一点需要清楚的是,当python要做编码转换的时候,会借助于内部的编码,转换过程是这样的:
原有编码 -> 内部编码 -> 目的编码
python的内部是使用unicode来处理的,但是unicode的使用需要考虑的是它的编码格式有两种,一是UCS-2,它一共有65536个码
位,另一种是UCS-4,它有2147483648g个码位。对于这两种格式,python都是支持的,这个是在编译时通过--enable-
unicode=ucs2或--enable-unicode=ucs4来指定的。那么我们自己默认安装的python有的什么编码怎么来确定呢?有一个
办法,就是通过sys.maxunicode的值来判断:
import
sys
print
sys.maxunicode
如果输出的值为65535,那么就是UCS-2,如果输出是1114111就是UCS-4编码。
我们要认识到一点:当一个字符串转换为内部编码后,它就不是str类型了!它是unicode类型:
a
=
"
风卷残云
"
print
type(a)
b
=
a.unicode(a,
"
gb2312
"
)
print
type(b)
输出:
这个时候b可以方便的任意转换为其他编码,比如转换为utf-8:
c
=
b.encode(
"
utf-8
"
)
print
c
c输出的东西看起来是乱码,那就对了,因为是utf-8的字符串。
好了,该说说codecs模块了,它和我上面说的概念是密切相关的。codecs专门用作编码转换,当然,其实通过它的接口是可以扩展到其他关于代码方面的转换的,这个东西这里不涉及。
#
-*- encoding: gb2312 -*-
import
codecs, sys
print
'
-
'
*
60
#
创建gb2312编码器
look
=
codecs.lookup(
"
gb2312
"
)
#
创建utf-8编码器
look2
=
codecs.lookup(
"
utf-8
"
)
a
=
"
我爱北京
"
print
len(a), a
#
把a编码为内部的unicode, 但为什么方法名为decode呢,我的理解是把gb2312的字符串解码为unicode
b
=
look.decode(a)
#
返回的b[0]是数据,b[1]是长度,这个时候的类型是unicode了
print
b[
1
], b[0], type(b[0])
#
把内部编码的unicode转换为gb2312编码的字符串,encode方法会返回一个字符串类型
b2
=
look.encode(b[0])
#
发现不一样的地方了吧?转换回来之后,字符串长度由14变为了7! 现在的返回的长度才是真正的字数,原来的是字节数
print
b2[
1
], b2[0], type(b2[0])
#
虽然上面返回了字数,但并不意味着用len求b2[0]的长度就是7了,仍然还是14,仅仅是codecs.encode会统计字数
print
len(b2[0])
上面的代码就是codecs的使用,是最常见的用法。另外还有一个问题就是,如果我们处理的文件里的字符编码是其他类型的呢?这个读取进行做处理也需要特殊的处理的。codecs也提供了方法.
#
-*- encoding: gb2312 -*-
import
codecs, sys
#
用codecs提供的open方法来指定打开的文件的语言编码,它会在读取的时候自动转换为内部unicode
bfile
=
codecs.open(
"
dddd.txt
"
,
'
r
'
,
"
big5
"
)
#
bfile = open("dddd.txt", 'r')
ss
=
bfile.read()
bfile.close()
#
输出,这个时候看到的就是转换后的结果。如果使用语言内建的open函数来打开文件,这里看到的必定是乱码
print
ss, type(ss)
阅读(7728) | 评论(0) | 转发(0) |