python模組之codecs 自然語言編碼轉換

2022-08-02 07:06:07 字數 2196 閱讀 4421

python對多國語言的處理是支援的很好的,它可以處理現在任意編碼的字元,這裡深入的研究一下python對多種不同語言的處理。

有一點需要清楚的是,當python要做編碼轉換的時候,會借助於內部的編碼,轉換過程是這樣的:

原有編碼 -> 內部編碼 -> 目的編碼

python的內部是使用unicode來處理的,但是unicode的使用需要考慮的是它的編碼格式有兩種,一是ucs-2,它一共有65536個碼 位,另一種是ucs-4,它有2147483648g個碼位。對於這兩種格式,python都是支援的,這個是在編譯時通過--enable- unicode=ucs2或--enable-unicode=ucs4來指定的。那麼我們自己預設安裝的python有的什麼編碼怎麼來確定呢?有乙個 辦法,就是通過sys.maxunicode的值來判斷:

import

sysprint

sys.maxunicode

如果輸出的值為65535,那麼就是ucs-2,如果輸出是1114111就是ucs-4編碼。

我們要認識到一點:當乙個字串轉換為內部編碼後,它就不是str型別了!它是unicode型別:

a ="風捲殘雲

"print

type(a)

b =a.unicode(a, 

"gb2312")

print

type(b)

輸出:< type 'unicode'>

這個時候b可以方便的任意轉換為其他編碼,比如轉換為utf-8:

c =b.encode(

"utf-8")

print

cc輸出的東西看起來是亂碼,那就對了,因為是utf-8的字串。

好了,該說說codecs模組了,它和我上面說的概念是密切相關的。codecs專門用作編碼轉換,當然,其實通過它的介面是可以擴充套件到其他關於**方面的轉換的,這個東西這裡不涉及。

#-*- encoding: gb2312 -*-

import

codecs, sys

print'-

'*60#

建立gb2312編碼器

look  

=codecs.lookup(

"gb2312")

#建立utf-8編碼器

look2 

=codecs.lookup(

"utf-8")

a ="我愛北京

"print

len(a), a

#把a編碼為內部的unicode, 但為什麼方法名為decode呢,我的理解是把gb2312的字串解碼為unicodeb =

look.decode(a)

#返回的b[0]是資料,b[1]是長度,這個時候的型別是unicode了

printb[1

], b[0], type(b[0])

#把內部編碼的unicode轉換為gb2312編碼的字串,encode方法會返回乙個字串型別

b2 =

look.encode(b[0])

#發現不一樣的地方了吧?轉換回來之後,字串長度由14變為了7! 現在的返回的長度才是真正的字數,原來的是位元組數

print

b2[1

], b2[0], type(b2[0])

#雖然上面返回了字數,但並不意味著用len求b2[0]的長度就是7了,仍然還是14,僅僅是codecs.encode會統計字數

print

len(b2[0])

上面的**就是codecs的使用,是最常見的用法。另外還有乙個問題就是,如果我們處理的檔案裡的字元編碼是其他型別的呢?這個讀取進行做處理也需要特殊的處理的。codecs也提供了方法.

#-*- encoding: gb2312 -*-

import

codecs, sys

#用codecs提供的open方法來指定開啟的檔案的語言編碼,它會在讀取的時候自動轉換為內部unicode

bfile 

=codecs.open(

"dddd.txt", 

'r', 

"big5")

#bfile = open("dddd.txt", 'r')

ss =

bfile.read()

bfile.close()

#輸出,這個時候看到的就是轉換後的結果。如果使用語言內建的open函式來開啟檔案,這裡看到的必定是亂碼

print

ss, type(ss)

python模組之codecs 自然語言編碼轉換

python對多國語言的處理是支援的很好的,它可以處理現在任意編碼的字元,這裡深入的研究一下python對多種不同語言的處理。有一點需要清楚的是,當python要做編碼轉換的時候,會借助於內部的編碼,轉換過程是這樣的 原有編碼 內部編碼 目的編碼 python的內部是使用unicode來處理的,但是...

python模組之codecs 自然語言編碼轉換

python對多國語言的處理是支援的很好的,它可以處理現在任意編碼的字元,這裡深入的研究一下python對多種不同語言的處理。有一點需要清楚的是,當python要做編碼轉換的時候,會借助於內部的編碼,轉換過程是這樣的 原有編碼 內部編碼 目的編碼 python的內部是使用unicode來處理的,但是...

python模組之codecs 自然語言編碼轉換

python對多國語言的處理是支援的很好的,它可以處理現在任意編碼的字元,這裡深入的研究一下python對多種不同語言的處理。有一點需要清楚的是,當python要做編碼轉換的時候,會借助於內部的編碼,轉換過程是這樣的 原有編碼 內部編碼 目的編碼 python的內部是使用unicode來處理的,但是...