字符串在Python內部的表示是unicode編碼，因此，在做編碼轉換時，通常需要以unicode作為中間編碼，即先將其他編碼的字符串解碼（decode）成unicode，再從unicode編碼（encode）成另一種編碼。

decode的作用是將其他編碼的字符串轉換成unicode編碼，如str1.decode('gb2312')，表示將gb2312編碼的字符串str1轉換成unicode編碼。

encode的作用是將unicode編碼轉換成其他編碼的字符串，如str2.encode('gb2312')，表示將unicode編碼的字符串str2轉換成gb2312編碼。

代碼中字符串的默認編碼與代碼文件本身的編碼一致。

如：s='中文'

如果是在utf8的文件中，該字符串就是utf8編碼，如果是在gb2312的文件中，則其編碼為gb2312。這種情況下，要進行編碼轉換，都需要先用decode方法將其轉換成unicode編碼，再使用encode方法將其轉換成其他編碼。

如果字符串是這樣定義：s=u'中文'

則該字符串的編碼就被指定為unicode了，即python的內部編碼，而與代碼文件本身的編碼無關。因此，對于這種情況做編碼轉換，只需要直接使用encode方法將其轉換成指定編碼即可。

如果一個字符串已經是unicode了，再進行解碼則將出錯，因此通常要對其編碼方式是否為unicode進行判斷：

isinstance(s, unicode) #用來判斷是否為unicode

用非unicode編碼形式的str來encode會報錯

如何獲得系統的默認編碼？

#!/usr/bin/env python
#coding=utf-8
import sys
print sys.getdefaultencoding()

該段程序在英文WindowsXP上輸出為：ascii

在某些IDE中，字符串的輸出總是出現亂碼，甚至錯誤，其實是由于IDE的結果輸出控制臺自身不能顯示字符串的編碼，而不是程序本身的問題。

如在UliPad中運行如下代碼：

s=u"中文"
print s

會提示：UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)。這是因為UliPad在英文WindowsXP上的控制臺信息輸出窗口是按照ascii編碼輸出的（英文系統的默認編碼是ascii），而上面代碼中的字符串是Unicode編碼的，所以輸出時產生了錯誤。

將最后一句改為：print s.encode('gb2312')

則能正確輸出“中文”兩個字。

若最后一句改為：print s.encode('utf8')

則輸出：\xe4\xb8\xad\xe6\x96\x87，這是控制臺信息輸出窗口按照ascii編碼輸出utf8編碼的字符串的結果。

unicode(str,'gb2312')與str.decode('gb2312')是一樣的，都是將gb2312編碼的str轉為unicode編碼

使用str.__class__可以查看str的編碼形式

如果將Unicode作為dict的key或者value，在print key時能看到正確的字符，但print dict則是原始的Unicode字節數據。

? ?name = u'喬治克魯尼'

? ? sex = u'男'

? ? my_dict = {}

? ? my_dict[name] = sex

? ? for key in my_dict:

? ? ? ? print key

? ? print my_dict

輸出：

? ? ? ? 喬治克魯尼

? ? ? ? {u'\u4e54\u6cbb\u514b\u9c81\u5c3c': u'\u7537'}

1.????????在Python中使用中文

python中默認的encoding是ASCII.它有兩種字符串分別是str(每字符用一個字節)和Unicode字符串(每字符用一個或多個字節表示,本質上為Unicode對象)，它們可以互相轉換。對于一個Unicode字符串用str對象表示時，就是一個字節流，除非解碼為Unicode對象，否則沒有任何意義。
在Python中有兩種默認的字符串：str和unicode。在Python中一定要注意區分“Unicode字符串”和“unicode對象”的區別。后面所有的“unicode字符串”指的都是python里的“unicode對象”。事實上在Python中并沒有“Unicode字符串”這樣的東西，只有“unicode”對象。一個傳統意義上的unicode字符串完全可以用str對象表示。只是這時候它僅僅是一個字節流，除非解碼為unicode對象，沒有任何實際的意義。我們用“哈哈”在多個平臺上測試，其中“哈”對應的不同編碼是：1．??????????????UNICODE (UTF8-16)，????? C854；2．??????????????UTF-8，??????????????????? E59388；3．??????????????GBK，?????????????? B9FE。1.1?????Windows控制臺下面是在windows控制臺的運行結果：可以看出在控制臺，中文字符的編碼是GBK而不是UTF-16。將字符串s（GBK編碼）使用decode進行解碼后，可以得到同等的unicode對象。注意：可以在控制臺打印ss并不代表它可以直接被序列化，比如：向文件直接輸出ss會拋出同樣的異常。在處理unicode中文字符串的時候，必須首先對它調用encode函數，轉換成其它編碼輸出。這一點對各個環境都一樣?？偨Y：在Python中，“str”對象就是一個字節數組，至于里面的內容是不是一個合法的字符串，以及這個字符串采用什么編碼（gbk, utf-8, unicode）都不重要。這些內容需要用戶自己記錄和判斷。這些的限制也同樣適用于“unicode”對象。要記住“unicode”對象中的內容可絕對不一定就是合法的unicode字符串，我們很快就會看到這種情況?？偨Y：在windows的控制臺上，支持gbk編碼的str對象和unicode編碼的unicode對象。1.2?????Windows IDLE（在Shell上運行）在windows下的IDLE中，運行效果和windows控制臺不完全一致：可以看出，對于不使用“u”作標識的字符串，IDLE把其中的中文字符進行GBK編碼。但是對于使用“u”的unicode字符串，IDLE居然一樣是用了GBK編碼，不同的是，這時候每一個字符都是unicode（對象）字符！！此時len(ss) = 4。這樣產生了一個神奇的問題，現在的ss無法在IDLE中正常顯示。而且我也沒有辦法把ss轉換成正常的編碼！比如采用下面的方法：這有可能是因為IDLE本地化做得不夠好，對中文的支持有問題。建議在IDLE的SHELL中，不要使用u“中文”這種方式，因為這樣得到的并不是你想要的東西。這同時說明IDLE的Shell支持兩種格式的中文字符串：GBK編碼的“str”對象，和UNICODE編碼的unicode對象。1.3?????在IDLE上運行代碼在IDLE的SHELL上運行文件，得到的又是不同的結果。文件的內容是：直接運行的結果是：毫無瑕疵，相當令人滿意。我沒有試過其它編碼的文件是否能正常運行，但想來應該是不錯的。同樣的代碼在windows的控制臺試演過，也沒有任何問題。1.4?????Windows Eclipse在Eclipse中處理中文更加困難，因為在Eclipse中，編寫代碼和運行代碼屬于不同的窗口，而且他們可以有不同的默認編碼。對于如下代碼：#!/usr/bin/python# -*- coding: utf-8 -*-?s =?"哈哈"ss = u'哈哈'?print?repr(s)print?repr(ss)?print?s.decode('utf-8').encode('gbk')print?ss.encode('gbk')?print?s.decode('utf-8')print?ss?前四個print運行正常，最后兩個print都會拋出異常：'\xe5\x93\x88\xe5\x93\x88'u'\u54c8\u54c8'哈哈哈哈Traceback (most recent call last):?File "E:\Workspace\Eclipse\TestPython\Test\test_encoding_2.py", line 13, in <module>??? print s.decode('utf-8')UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)也就是說，GBK編碼的str對象可以正常打印，但是不能打印UNICODE編碼的unicode對象。在源文件上點擊“Run as”“Run”，然后在彈出對話框中選擇“Common”：可以看出Eclipse控制臺的缺省編碼方式是GBK；所以不支持UNICODE也在情理之中。如果把文件中的coding修改成GBK，則可以直接打印GBK編碼的str對象，比如s。如果把源文件的編碼設置成“UTF-8”，把控制臺的編碼也設置成“UTF-8”，按道理說打印的時候應該沒有問題。但是實驗表明，在打印UTF-8編碼的str對象時，中文的最后一個字符會顯示成亂碼，無法正常閱讀。不過我已經很滿足了，至少人家沒有拋異常不是:)BTW: 使用的Eclipse版本是3.2.1。1.5?????從文件讀取中文在window下面用記事本編輯文件的時候，如果保存為UNICODE或UTF-8，分別會在文件的開頭加上兩個字節“\xFF\xFE”和三個字節“\xEF\xBB\xBF”。在讀取的時候就可能會遇到問題，但是不同的環境對這幾個多于字符的處理也不一樣。以windows下的控制臺為例，用記事本保存三個不同版本的“哈哈”。?

打開utf-8格式的文件并讀取utf-8字符串后，解碼變成unicode對象。但是會把附加的三個字符同樣進行轉換，變成一個unicode字符，字符的數據值為“\xFF\xFE”。這個字符不能被打印。編碼的時候需要跳過這個字符。

打開unicode格式的文件后，得到的字符串正確。這時候適用utf-16解碼，能得到正確的unicdoe對象，可以直接使用。多余的那個填充字符在進行轉換時會被過濾掉。?打開ansi格式的文件后，沒有填充字符，可以直接使用。結論：讀寫使用python生成的文件沒有任何問題，但是在處理由notepad生成的文本文件時，如果該文件可能是非ansi編碼，需要考慮如何處理填充字符。1.6?????在數據庫中使用中文剛剛接觸Python，我用的數據庫是mysql。在執行插入、查找等操作時，如果運行環境使用的字符編碼和mysql不一致，就可能導致運行時的錯誤。當然，和上面看到的情況一樣，運行環境并不是關鍵因素，關鍵是查詢語句的編碼方式。如果在每次執行查詢操作時都把查詢字符串做一次編碼轉換，轉變成mysql的默認字符編碼，一樣不會遇到問題。但是這樣寫代碼也太痛苦了吧。使用如下代碼連接數據庫：self.conn = MySQLdb.connect(use_unicode =?1, charset='utf8', **server)我不能理解的是既然數據庫用的默認編碼是UTF-8，我連接的時候也用的是UTF-8，為什么查詢得到的文本內容卻是UNICODE編碼（unicode對象）？這是MySQLdb庫的設置么？1.7?????在XML中使用中文使用xml.dom.minidom和MySQLdb類似，對生成的dom對象調用toxml方法得到的是unicode對象。如果希望輸出utf-8文本，有兩種方法：1．使用系統函數在輸出xml文檔的時候進行編碼，這是我覺得最好的方法。xmldoc.toxml(encoding=’utf-8’)xmldoc.writexml(outfile, encoding = ‘utf-8’)2．自己編碼生成在使用toxml之后可以調用encode方法對文檔進行編碼。但這種方法無法得到合適的xml declaration（xml文檔第一行中的encoding部分）。不要嘗試通過xmldoc.createProcessingInstruction來創建一個processing instraction：<?xml version=’1.0’ encoding=’utf-8’?>xml declaration雖然看起來像是，但是事實上并不是一個processing instraction?？梢酝ㄏ旅娴姆椒ǖ玫揭粋€滿意的xml文件：print >> outfile,?“<?xml version=’1.0’ encoding=’utf-8’?>”
print >> outfile, xmldoc.toxml().encode(‘utf-8’)[22:]
其中第二行需要過濾掉在調用xmldoc.toxml時生成的“<?xml version=’1.0’ ?>”，它的長度是22。?相面是兩種方法的用法比較：?另外，在IDLE的shell中，不要用 u’中文’ 對屬性進行賦值。上面討論過，這樣得到的unicode字符串不正確。

轉載于:https://www.cnblogs.com/aquar/archive/2010/05/01/3451436.html

總結

以上是生活随笔為你收集整理的Python中文处理(转)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。