Python的中文处理
- 格式：pdf
- 大小：108.54 KB
- 文档页数：5
Python的中文处理一、使用中文字符在python源码中如果使用了中文字符，运行时会有错误，解决的办法是在源码的开头部分加入字符编码的声明，下面是一个例子：#!/usr/bin/env python# -*- coding: cp936 -*-Python Tutorial中指出，python的源文件可以编码ASCII以外的字符集，最好的做法是在#!行后面用一个特殊的注释行来定义字符集：# -*- coding: encoding -*-根据这个声明，Python会尝试将文件中的字符编码转为encoding编码，并且，它尽可能的将指定地编码直接写成Unicode文本。
注意，coding:encoding只是告诉Python文件使用了encoding格式的编码，但是编辑器可能会以自己的方式存储.py文件，因此最后文件保存的时候还需要编码中选指定的ecoding 才行。
二、中文字符的存储>>> str = u"中文">>> stru'\xd6\xd0\xce\xc4'>>> str = "中文">>> str'\xd6\xd0\xce\xc4'u"中文"只是声明unicode，实际的编码并没有变。
这样子就发生变化了：>>> str = "中文">>> str'\xd6\xd0\xce\xc4'>>> str = str.decode("gb2312")>>> stru'\u4e2d\u6587'更进一步：>>> s = '中文'>>> s.decode('gb2312')u'\u4e2d\u6587'>>> len(s)4>>> len(s.decode('gb2312'))2>>> s = u'中文'>>> len(s)4>>> s = '中文test'>>> len(s)8>>> len(s.decode('gb2312'))6>>> s = '中文test，'>>> len(s)10>>> len(s.decode('gb2312'))7可以看出，对于实际Non-ASCII编码存储的字符串，python可以正确的识别出其中的中文字符以及中文上下文中的标点符号。
前缀“u”表示“后面这个字符串“是一个Unicode字符串”，这仅仅是一个声明，并不表示这个字符串就真的是Unicode了；就好比某正太声称自己已满18岁，但实际上他的真实年龄并不确定，现在体育界年龄造假可不稀罕幺!那么声明成u有什么作用呢？对于Python来说，只要你声明某字符串是Unicode，它就会用Unicode的一套机制对它进行处理。
比方说，做字符串操作的时候会动用到内部的Unicode处理函数，保存的时候以Unicode字符（双字节）进行保存。
等等。
显而易见，对于一个实际上并不是Unicode的字符串，做Unicode动作的处理，是有可能会出问题的。
u 前缀只适用于你的字符串常量真的是Unicode的情况。
三、中文字符的IO操作用python处理字符串很容易，但是在处理中文的时候需要注意一些问题。
比如：a = "我们是python爱好者"print a[0]只能输出“我”字的前半部分，要想输出整个的“我”字还需要：b = a[0:2]print b才行，很不方便，并且当一段文本中同时有中英文如何处理？最好的办法就是转换为unicode。
像这样：c = unicode(a, "gb2312")print c[0]这个时候c的下标对应的就是每一个字符，不再是字节，并且通过len(c)就可以获得字符数！还可以很方便的转换为其他编码，比如转换为utf-8：d = c.encode("utf-8")四、<type ‘str’>和<type ‘unicode’><type ‘str’>将字符串看作是字节的序列，而<type ‘unicode’>则将其看作是字符的序列，单个字符可能占用多个字节；字节相对于字符，其在存储层次中更低一些。
str转换为unicode要decode，可以这样想，因为要把字节序列解释成字符序列，字节序列是底层的存放方式，解码（decode）成更高层的字符以便使用；同理，unicode转换为str要encode，就象信息编码（encode）后才存储一样：s.decode(encoding) <type 'str'> to <type 'unicode'>u.encode(encoding) <type 'unicode'> to <type 'str'>例如：>>> s = 'str'>>> type(s)<type 'str'>>>> type(s.de code())<type 'unicode'>>>> s = u'str'>>> type(s)<type 'unicode'>>>> type(s.en code())<type 'str'>处理中文数据时最好采用如下方式：1. Decode early（尽早decode, 将文件中的内容转化成unicode再进行下一步处理)2. Unicode everywhere (程序内部处理都用unicode)3. Encode late (最后encode回所需的encoding, 例如把最终结果写进结果文件)下面是一个简单的演示，用re库查询一个中文字符串并打印：>>> p = pile(unicode("测试(.*)", "gb2312"))>>> s = unicode("测试一二三", "gb2312")>>> for i in p.findall(s):print i.encode("gb2312")一二三五、跨平台处理技巧如果一个project必须在两个平台上开发，程序应该使用同样的encoding，比如要求所有的文件都使用UTF-8，如果实在不能统一（一般是为了满足许多所谓专家学者莫名其妙的要求），可以退而求其次，用当前系统编码决定文件内的编码：import localeimport stringimport re#根据当前系统的encoding构造需要的编码取值lang = string.upper(locale.setlocale(locale.LC_ALL, ""))textencoding = None#检查编码的值是不是满足我们需要的情况if re.match("UTF-8", lang) != None:# UTF-8编码textencoding = "utf-8"elif re.match(r"CHINESE|CP936", lang):# Windows下的GB编码textencoding = "gb18030"elif re.match(r"GB2312|GBK|GB18030", lang):# Linux下的GB编码textencoding = "gb18030"else:# 其他情况，抛个错误吧raise UnicodeErrorfd = file(filename, "r")fulltextlist = fd.readlines()# 把每一行转换成unicodefor each in len(fulltextlist):fulltextlist[i] = unicode(each, textencoding)fd.close()# 如果要打印的话，可以用text.encode(encoding)来恢复成多字节编码小结一个比较一般的Python中文处理的流程：* 将欲处理的字符串用unicode函数以正确的编码转换为Unicode* 在程序中统一用Unicode字符串进行操作* 输出时，使用encode方法，将Unicode再转换为所需的编码有几点要说明一下：* 所谓“正确的”编码，指得是指定编码和字符串本身的编码必须一致。
这个其实并不那么容易判断，一般来说，我们直接输入的简体中文字符，有两种可能的编码：GB2312（GBK、GB18030）、以及UTF-8* encode成本地编码的时候，必须要保证目标编码中存在欲转换字符的内码。
encode 这种操作一般是通过一个本地编码对应Unicode的编码转换表来进行的，事实上每个本地编码只能映射到Unicode的一部分。
但是映射的区域是不同的，比如Big-5对应的Unicode的编码范围和 GBK对应的就不一样（实际上这两个编码有部分范围是重叠的）。
所以，Unicode 的一些字符（比如本身就是从GB2312转换来的那些），可以映射到 GBK，但未必可以映射到Big-5，如果你想转换到Big-5，很有可能就会出现编码找不到的异常。
但UTF-8的码表范围实际上和Unicode是一样的（只是编码形式不同而已），所以，理论上来说，任何本地编码的字符，都可以被转换到UTF-8* GB2312、GBK、GB18030本质上是同一种编码标准。
只是在前者的基础上扩充了字符数量* UTF-8和GB编码不兼容参考资料1、/thread-1389703-1-2.html2、Python的中文处理及其它/?p=383、Python处理中文的时候的一些小技巧/?p=4614、Unicode In Python, Completely Demystified. Kumar McMillan/talks/unicode5、python中文处理好方法/bbs/viewthread.php?tid=3116、Python的中文处理/mrsz/blog/item/7812a5018c2cf2031d9583d2.html。
