网站地图
【www.gdgbn.com--python】
1. 在python中使用中文
在python中有两种默认的字符串：str和unicode。在python中一定要注意区分“unicode字符串”和“unicode对象”的区别。后面所有的“unicode字符串”指的都是python里的“unicode对象”。 事实上在python中并没有“unicode字符串”这样的东西，只有“unicode”对象。一个传统意义上的unicode字符串完全可以用str对象表示。只是这时候它仅仅是一个字节流，除非解码为unicode对象，没有任何实际的意义。 我们用“哈哈”在多个平台上测试，其中“哈”对应的不同编码是： 1． unicode (utf8-16)， c854； 2． utf-8， e59388； 3． gbk， b9fe。 1.1 windows控制台 下面是在windows控制台的运行结果：
可以看出在控制台，中文字符的编码是gbk而不是utf-16。将字符串s（gbk编码）使用decode进行解码后，可以得到同等的unicode对象。
注意：可以在控制台打印ss并不代表它可以直接被序列化，比如：
向文件直接输出ss会抛出同样的异常。在处理unicode中文字符串的时候，必须首先对它调用encode函数，转换成其它编码输出。这一点对各个环境都一样。
总结：在python中，“str”对象就是一个字节数组，至于里面的内容是不是一个合法的字符串，以及这个字符串采用什么编码（gbk, utf-8, unicode）都不重要。这些内容需要用户自己记录和判断。这些的限制也同样适用于“unicode”对象。要记住“unicode”对象中的内容可绝对不一定就是合法的unicode字符串，我们很快就会看到这种情况。
总结：在windows的控制台上，支持gbk编码的str对象和unicode编码的unicode对象。
1.2 windows idle（在shell上运行）
在windows下的idle中，运行效果和windows控制台不完全一致：
可以看出，对于不使用“u”作标识的字符串，idle把其中的中文字符进行gbk编码。但是对于使用“u”的unicode字符串，idle居然一样是用了gbk编码，不同的是，这时候每一个字符都是unicode（对象）字符！！此时len(ss) = 4。
这样产生了一个神奇的问题，现在的ss无法在idle中正常显示。而且我也没有办法把ss转换成正常的编码！比如采用下面的方法：
这有可能是因为idle本地化做得不够好，对中文的支持有问题。建议在idle的shell中，不要使用u“中文”这种方式，因为这样得到的并不是你想要的东西。
这同时说明idle的shell支持两种格式的中文字符串：gbk编码的“str”对象，和unicode编码的unicode对象。
1.3 在idle上运行代码
在idle的shell上运行文件，得到的又是不同的结果。文件的内容是：
直接运行的结果是：
毫无瑕疵，相当令人满意。我没有试过其它编码的文件是否能正常运行，但想来应该是不错的。
同样的代码在windows的控制台试演过，也没有任何问题。
1.4 windows eclips教程e
在eclipse中处理中文更加困难，因为在eclipse中，编写代码和运行代码属于不同的窗口，而且他们可以有不同的默认编码。对于如下代码：
#!/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
前四个print运行正常，最后两个print都会抛出异常：
"xe5x93x88xe5x93x88"
u"u54c8u54c8"
哈哈
哈哈
traceback (most recent call last):
file "e:workspaceeclipsetestpythontesttest_encoding_2.py", line 13, in 
可以看出eclipse控制台的缺省编码方式是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，则可以直接打印gbk编码的str对象，比如s。
如果把源文件的编码设置成“utf-8”，把控制台的编码也设置成“utf-8”，按道理说打印的时候应该没有问题。但是实验表明，在打印utf-8编码的str对象时，中文的最后一个字符会显示成乱码，无法正常阅读。不过我已经很满足了，至少人家没有抛异常不是:)
btw: 使用的eclipse版本是3.2.1。
1.5 从文件读取中文
在window下面用记事本编辑文件的时候，如果保存为unicode或utf-8，分别会在文件的开头加上两个字节“xffxfe”和三个字节“xefxbbxbf”。在读取的时候就可能会遇到问题，但是不同的环境对这几个多于字符的处理也不一样。
以windows下的控制台为例，用记事本保存三个不同版本的“哈哈”。
打开utf-8格式的文件并读取utf-8字符串后，解码变成unicode对象。但是会把附加的三个字符同样进行转换，变成一个unicode字符，字符的数据值为“xffxfe”。这个字符不能被打印。编码的时候需要跳过这个字符。
打开unicode格式的文件后，得到的字符串正确。这时候适用utf-16解码，能得到正确的unicdoe对象，可以直接使用。多余的那个填充字符在进行转换时会被过滤掉。
打开ansi格式的文件后，没有填充字符，可以直接使用。
结论：读写使用python生成的文件没有任何问题，但是在处理由notepad生成的文本文件时，如果该文件可能是非ansi编码，需要考虑如何处理填充字符。
1.6 在数据库教程中使用中文
刚刚接触python，我用的数据库是mysql教程。在执行插入、查找等操作时，如果运行环境使用的字符编码和mysql不一致，就可能导致运行时的错误。当然，和上面看到的情况一样，运行环境并不是关键因素，关键是查询语句的编码方式。如果在每次执行查询操作时都把查询字符串做一次编码转换，转变成mysql的默认字符编码，一样不会遇到问题。但是这样写代码也太痛苦了吧。
使用如下代码连接数据库：
self.conn = mysqldb.connect(use_unicode = 1, charset="utf8", **server)
我不能理解的是既然数据库用的默认编码是utf-8，我连接的时候也用的是utf-8，为什么查询得到的文本内容却是unicode编码（unicode对象）？这是mysqldb库的设置么？
1.7 在xml中使用中文
使用xml.dom.minidom和mysqldb类似，对生成的dom对象调用toxml方法得到的是unicode对象。如果希望输出utf-8文本，有两种方法：
1．使用系统函数
在输出xml文档的时候进行编码，这是我觉得最好的方法。
xmldoc.toxml(encoding=’utf-8’)
xmldoc.writexml(outfile, encoding = ‘utf-8’)
2．自己编码生成
在使用toxml之后可以调用encode方法对文档进行编码。但这种方法无法得到合适的xml declaration（xml文档第一行中的encoding部分）。
不要尝试通过xmldoc.createprocessinginstruction来创建一个processing instraction：
xml declaration虽然看起来像是，但是事实上并不是一个processing instraction。可以通下面的方法得到一个满意的xml文件：
print >> outfile, “”print >> outfile, xmldoc.toxml().encode(‘utf-8’)[22:]
其中第二行需要过滤掉在调用xmldoc.toxml时生成的“”，它的长度是22。 相面是两种方法的用法比较：
另外，在idle的shell中，不要用 u’中文’ 对属性进行赋值。上面讨论过，这样得到的unicode字符串不正确