python編碼規(guī)范總結(jié)、python編碼轉(zhuǎn)換

所有的 Python 腳本文件都應(yīng)在文件頭標(biāo)上 #-*- coding:utf8 -*- 。設(shè)置編輯器，默認(rèn)保存為 utf8 格式。

編碼

Python核心發(fā)布中的代碼必須始終使用ASCII或Latin-1編碼(又名 ISO-8859-1)，使用ASCII的文件不必有編碼cookie，Latin-1僅當(dāng)注釋或文檔字符串涉及作者名字需要Latin-1時(shí)才被使用：

另外使用\x轉(zhuǎn)義字符是在字符串中包含非ASCII(non-ASCII)數(shù)據(jù)的首選方法。

作為PEP 263實(shí)現(xiàn)代碼的測(cè)試套件的部分文件是個(gè)例外。

導(dǎo)入

通常應(yīng)該在單獨(dú)的行中導(dǎo)入(Imports)，例如：

No：import sys， os

Yes：import sys

import os

但是這樣也是可以的：

from types import StringType， ListType

Imports 通常被放置在文件的頂部，僅在模塊注釋和文檔字符串之后，在模塊的全局變量和常量之前。Imports應(yīng)該有順序地成組安放：

1、標(biāo)準(zhǔn)庫(kù)的導(dǎo)入(Imports )

2、相關(guān)的主包(major package)的導(dǎo)入(即，所有的email包在隨后導(dǎo)入)

3、特定應(yīng)用的導(dǎo)入(imports)

你應(yīng)該在每組導(dǎo)入之間放置一個(gè)空行，對(duì)于內(nèi)部包的導(dǎo)入是不推薦使用相對(duì)導(dǎo)入的，對(duì)所有導(dǎo)入都要使用包的絕對(duì)路徑。

從一個(gè)包含類的模塊中導(dǎo)入類時(shí)，通常可以寫成這樣：

from MyClass import MyClass

from foo.bar.YourClass import YourClass

如果這樣寫導(dǎo)致了本地名字沖突，那么就這樣寫

import MyClass

import foo.bar.YourClass

即使用"MyClass.MyClass"和"foo.bar.YourClass.YourClass"

【所謂unicode】

unicode是一種類似于符號(hào)集的抽象編碼，它只規(guī)定了符號(hào)的二進(jìn)制代碼，卻沒有規(guī)定這個(gè)二進(jìn)制代碼應(yīng)該如何存儲(chǔ)。也就是它只是一種內(nèi)部表示，不能直接保存。所以存儲(chǔ)時(shí)需要規(guī)定一種存儲(chǔ)形式，比如utf-8和utf-16等。理論上unicode是一種能夠容納全世界所有語(yǔ)言文字的編碼方案。（其他編碼格式不再多說）

【所謂GB碼】

GB就是“國(guó)標(biāo)”的意思，即：中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)。GB碼是面向漢字的編碼，包括GB2312（GB2312-80），GBK，GB18030，表示范圍從小到大遞增，而且基本是向下兼容的。此外經(jīng)常遇到一種叫做CP936的編碼，實(shí)際上可以大概看做是GBK。

【判斷編碼】

1、使用isinstance(s, str)來判斷一個(gè)字符串是否為一般字符串（str為ascii類型的字符串，utf-8、utf-16、GB2312、GBK等都是ascii類型的字符串）；

使用isinstance(s, unicode)來判斷一個(gè)字符串是否為unicode編碼形式的字符串（unicode編碼的字符串才是unicode類型的字符串）。

2、使用type()或者.__class__

在編碼正確的情況下：

例如：stra = "中", 則使用type(stra)的結(jié)果是<type 'str'>，表明為ascii類型字符串；

例如：strb = u"中", 則使用type(strb)的結(jié)果是<type 'unicode'>，表明為unicode類型字符串。

[python] view plaincopy

tmp_str = 'tmp_str'  

print tmp_str.__class__         #<type 'str'>  

print type(tmp_str)             #<type 'str'>  

print type(tmp_str).__name__    #str  

tmp_str = u'tmp_str'  

print tmp_str.__class__         #<type 'unicode'>  

print type(tmp_str)             #<type 'unicode'>  

print type(tmp_str).__name__    #unicode  

3、最好的辦法是使用chardet判斷，特別是在web相關(guān)的操作中，例如抓取html頁(yè)面內(nèi)容時(shí)，頁(yè)面的charset標(biāo)簽只是標(biāo)示編碼，有時(shí)候不對(duì)，而且頁(yè)面內(nèi)容中一些中文可能超出了標(biāo)示編碼的范圍，此時(shí)用charset檢測(cè)最為方便準(zhǔn)確。

（1）安裝辦法：下載chardet后，將解壓得到的chardet文件夾放在python安裝目錄的\Lib\site-packages目錄下，在程序中使用import chardet即可。

（2）使用辦法1：檢測(cè)全部?jī)?nèi)容判斷編碼

[python] view plaincopy

import urllib2  

import chardet  

res = urllib2.urlopen('http://www.csdn.net/')  

res_cont = res.read()  

res.close()  

print chardet.detect(res_cont)  #{'confidence': 0.99, 'encoding': 'utf-8'}  

detect函數(shù)返回值為一個(gè)包含2個(gè)鍵值對(duì)的字典，第一個(gè)是檢測(cè)置信度，第二個(gè)就是檢測(cè)到的編碼形式。

（3）使用辦法2：檢測(cè)部分內(nèi)容判斷編碼，提高速度

[python] view plaincopy

import urllib2  

from chardet.universaldetector import UniversalDetector  

res = urllib2.urlopen('http://www.csdn.net')  

detector = UniversalDetector()  

for line in res.readlines():  

    #detect untill reach threshold  

    detector.feed(line)  

    if detector.done:  

        break  

detector.close()  

res.close()  

print detector.result  

#{'confidence': 0.99, 'encoding': 'utf-8'}  

【轉(zhuǎn)換編碼】

1、從具體的編碼（ISO-8859-1[ASCII碼]，utf-8，utf-16，GBK，GB2312等）轉(zhuǎn)換為unicode，直接使用unicode(s, charset)或者s.decode(charset)，其中charset為s的編碼（注意unicode在使用decode()時(shí)會(huì)出錯(cuò)）；

[python] view plaincopy

#將任意字符串轉(zhuǎn)換為unicode  

def to_unicode(s, encoding):  

    if isinstance(s, unicode):  

        return s  

    else:  

        return unicode(s, encoding)  

注意：這里在decode()的時(shí)候，如果遇到非法字符（比如不標(biāo)準(zhǔn)的全角空格\xa3\xa0，或者\(yùn)xa4\x57，真正的全角空格是\xa1\xa1），就會(huì)報(bào)錯(cuò)。
解決辦法：采用'ignore'模式，即：stra.decode('...', 'ignore').encode('utf-8')。
解釋：decode的函數(shù)原型是decode([encoding],[errors='strict'])，可以用第二個(gè)參數(shù)控制錯(cuò)誤處理的策略。
默認(rèn)的參數(shù)就是strict，代表遇到非法字符時(shí)拋出異常；如果設(shè)置為ignore，則會(huì)忽略非法字符；如果設(shè)置為replace，則會(huì)用?取代非法字符；如果設(shè)置為xmlcharrefreplace，則使用XML的字符引用。

2、從unicode轉(zhuǎn)換為具體的編碼，也是直接用s.encode(charset)，其中s為unicode編碼，charset為具體的編碼（注意非unicode在使用encode()時(shí)會(huì)出錯(cuò)）；

3、自然地，從一種具體編碼轉(zhuǎn)換為另一種具體編碼，就可以先decode成unicode再encode成最終編碼了。

【python命令行編碼（系統(tǒng)編碼）】

用python自帶的locale模塊來檢測(cè)命令行的默認(rèn)編碼（也就是系統(tǒng)的編碼）和設(shè)置命令行編碼：

[python] view plaincopy

import locale  

#get coding type  

print locale.getdefaultlocale() #('zh_CN', 'cp936')  

#set coding type  

locale.setlocale(locale.LC_ALL, locale='zh_CN.GB2312')  

print locale.getlocale()    #('zh_CN', 'gb2312')  

表明當(dāng)前系統(tǒng)的內(nèi)部編碼是cp936，近似于GBK。實(shí)際上中文XP和WIN7的系統(tǒng)內(nèi)部編碼都是cp936（GBK）。

【python代碼中的編碼】
1、python代碼中的字符串在未被指定編碼的情況下，默認(rèn)編碼與代碼文件本身的編碼一致。舉個(gè)例子：str = '中文'這個(gè)字符串，如果是在utf8編碼的代碼文件中，該字符串就是utf8編碼；如果是在gb2312的文件中，該字符串就是gb2312編碼。那么代碼文件本身的編碼怎么知道呢？

（1）自己指定代碼文件的編碼：在代碼文件的頭部加上“#-*- coding:utf-8 -*-”來聲明該代碼文件為utf-8編碼。此時(shí)未被指定編碼的字符串的編碼都變成了utf-8。

（2）在沒有指定代碼文件的編碼時(shí)，創(chuàng)建代碼文件時(shí)使用的是python默認(rèn)采用的編碼（一般來說是ascii碼，在windows中實(shí)際保存為cp936（GBK）編碼）。通過sys.getdefaultencoding()和sys.setdefaultencoding('...')來獲取和設(shè)置該默認(rèn)編碼。

[python] view plaincopy

import sys  

reload(sys)  

print sys.getdefaultencoding()  #ascii  

sys.setdefaultencoding('utf-8')  

print sys.getdefaultencoding()  #utf-8  

結(jié)合（1）和（2）做個(gè)試驗(yàn)：指定代碼文件編碼為utf-8時(shí)，用notepad++打開顯示的是utf-8無DOM編碼；未指定代碼文件編碼時(shí)，用notepad++打開顯示的是ANSI編碼（壓縮編碼，默認(rèn)的保存編碼形式）。

（3）如何永久地將python默認(rèn)采用的編碼設(shè)置為utf-8呢？有2種方法：
第一個(gè)方法<不推薦>：編輯site.py，修改setencoding()函數(shù)，強(qiáng)制設(shè)置為 utf-8；
第二個(gè)方法<推薦>：增加一個(gè)名為 sitecustomize.py的文件，存放在安裝目錄下的\Lib\site-packages目錄下
sitecustomize.py是在site.py被import執(zhí)行的，因?yàn)?sys.setdefaultencoding()是在site.py的結(jié)尾處被刪除的，所以可以在 sitecustomize.py使用 sys.setdefaultencoding()。

2、python代碼中的字符串如果被指定了編碼，舉個(gè)例子：str = u'中文'，該字符串的編碼被指定為unicode（即python的內(nèi)部編碼）。

（1）這里有個(gè)誤區(qū)需要注意！假如在py文件中有如下代碼：

[python] view plaincopy

stra = u"中"  

print stra.encode("gbk")  

按上面說的stra是unicode形式，直接encode稱gbk編碼應(yīng)該沒問題��？但是實(shí)際執(zhí)行時(shí)會(huì)報(bào)錯(cuò)“UnicodeEncodeError: 'gbk' codec can't encode character u'\xd6' in position 0: illegal multibyte sequence”。

原因在于：python解釋器在導(dǎo)入python代碼文件并執(zhí)行時(shí)，會(huì)先查看文件頭有沒有編碼聲明（例如#coding:gbk等）。如果發(fā)現(xiàn)聲明，會(huì)將文件中的字符串都先解釋成unicode的形式（這里先用默認(rèn)編碼gbk（cp936）將stra解碼成unicode編碼'd6d0'后保存），之后執(zhí)行stra.encode('gbk')時(shí)，由于stra已經(jīng)是unicode編碼且'd6d0'在gbk的編碼范圍內(nèi)，所以編碼不會(huì)出現(xiàn)錯(cuò)誤；如果文件頭沒有編碼聲明，則不會(huì)進(jìn)行上述過程中的解碼操作（這里就直接使用stra的unicode編碼'd6'），之后執(zhí)行stra.encode('gbk')時(shí)，由于'd6'不在gbk的編碼范圍所以報(bào)錯(cuò)。

（2）為避免這種類型的錯(cuò)誤，最好在代碼文件頭上聲明編碼，或者麻煩點(diǎn)每次使用setdefaultencoding()。

（3）總的來說就是unicode是python解釋器的內(nèi)碼，所有代碼文件在導(dǎo)入并執(zhí)行時(shí)，python解釋器會(huì)先將字符串使用你指定的編碼形式解碼成unicode，然后再進(jìn)行各種操作。所以不管是對(duì)字符串的操作，還是正則表達(dá)式，還是讀寫文件等等最好都通過unicode來進(jìn)行。

【python中其他編碼】
文件系統(tǒng)的編碼：sys.getfilesystemencoding()
終端的輸入編碼：sys.stdin.encoding
終端的輸出編碼：sys.stdout.encoding

python 編碼轉(zhuǎn)換

主要介紹了python的編碼機(jī)制，unicode, utf-8, utf-16, GBK, GB2312,ISO-8859-1 等編碼之間的轉(zhuǎn)換。

常見的編碼轉(zhuǎn)換分為以下幾種情況：

自動(dòng)識(shí)別 字符串編碼

可以使用 chardet 模塊自動(dòng)識(shí)別 字符創(chuàng)編碼

chardet 使用方法

unicode 轉(zhuǎn)換為其它編碼(GBK, GB2312等)

例如：a為unicode編碼 要轉(zhuǎn)為gb2312。a.encode('gb2312')

# -*- coding=gb2312 -*-a = u"中文"a_gb2312 = a.encode('gb2312')print a_gb2312

GBK 與 GB2312的區(qū)別

GB 碼，全稱是GB2312-80《信息交換用漢字編碼字符集基本集》，1980年發(fā)布，是中文信息處理的國(guó)家標(biāo)準(zhǔn)，在大陸及海外使用簡(jiǎn)體中文的地區(qū)（如新加坡等）是強(qiáng)制使用的唯一中文編碼。P- Windows3.2和蘋果OS就是以GB2312為基本漢字編碼， Windows 95/98則以GBK為基本漢字編碼、但兼容支持GB2312。GB碼共收錄6763個(gè)簡(jiǎn)體漢字、682個(gè)符號(hào)，其中漢字部分：一級(jí)字3755，以拼音排序，二級(jí)字3008，以偏旁排序。該標(biāo)準(zhǔn)的制定和應(yīng)用為規(guī)范、推動(dòng)中文信息化進(jìn)程起了很大作用。

GBK編碼是中國(guó)大陸制訂的、等同于UCS的新的中文編碼擴(kuò)展國(guó)家標(biāo)準(zhǔn)。GBK工作小組于1995年10月，同年12月完成GBK規(guī)范。該編碼標(biāo)準(zhǔn)兼容GB2312，共收錄漢字21003個(gè)、符號(hào)883個(gè)，并提供1894個(gè)造字碼位，簡(jiǎn)、繁體字融于一庫(kù)。

GBK 包括 GB2312的所有編碼，有些字GB2312沒有，需要用GBK來編碼。

轉(zhuǎn): gbk, gb2312,big5,unicode,utf-8,utf-16的區(qū)別

其它編碼(utf-8,GBK)轉(zhuǎn)換為unicode

例如：a為gb2312編碼，要轉(zhuǎn)為unicode. unicode(a, 'gb2312')或a.decode('gb2312')

# -*- coding=gb2312 -*-a = u"中文"a_gb2312 = a.encode('gb2312')print a_gb2312
a_unicode = a_gb2312.decode('gb2312')assert(a_unicode == a)a_utf_8 = a_unicode.encode('utf-8')print a_utf_8

非unicode編碼之間的轉(zhuǎn)換

編碼1(GBK,GB2312) 轉(zhuǎn)換為 編碼2(utf-8,utf-16,ISO-8859-1)

可以先轉(zhuǎn)為unicode再轉(zhuǎn)為編碼2

如gb2312轉(zhuǎn)utf-8

# -*- coding=gb2312 -*-a = u"中文"a_gb2312 = a.encode('gb2312')print a_gb2312 a_unicode = a_gb2312.decode('gb2312')assert(a_unicode == a)a_utf_8 = a_unicode.encode('utf-8')print a_utf_8

判斷字符串的編碼

isinstance(s, str) 用來判斷是否為一般字符串 
isinstance(s, unicode) 用來判斷是否為unicode 
如果一個(gè)字符串已經(jīng)是unicode了，再執(zhí)行unicode轉(zhuǎn)換有時(shí)會(huì)出錯(cuò)(并不都出錯(cuò)) 

下面代碼為將任意字符串轉(zhuǎn)換為unicode

def u(s, encoding):    if isinstance(s, unicode):        return s    else:        return unicode(s, encoding)

Unicode 與其它編碼之間的區(qū)別

為什么不所有的文件都使用unicode，還要用GBK，utf-8等編碼呢？

unicode可以稱為抽象編碼，也就是它只是一種內(nèi)部表示，一般不能直接保存。
保存到磁盤上時(shí)，需要把它轉(zhuǎn)換為對(duì)應(yīng)的編碼，如utf-8和utf-16。

其它方法

除上以上的編碼方法，在讀寫文件時(shí)還可以使用codecs的open方法在讀寫時(shí)進(jìn)行轉(zhuǎn)換。

命令行默認(rèn)編碼檢測(cè)和設(shè)置

可以用python自帶的模塊locale來檢測(cè)命令行默認(rèn)編碼和設(shè)置命令行編碼。

import locale #get locale.getdefaultlocale()#('zh_CN', 'cp936') #setlocale.setlocale(...)

漢字轉(zhuǎn)Unicode編碼

    pd_name = pd_name.decode('utf-8')
    print pd_name
    nname = ""
    for c in pd_name:
      c = "%%u%04X" % ord(c);
      nname += c