小结Python的中文处理

pFreeStyle

最近要处理中文数据，折腾了一天，总算有了些头绪
现把从网上搜集的资料整理一下

1. Python的中文处理
   
2. 
   
3. 一、使用中文字符
   
4.     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：
   
5. 　　    #!/usr/bin/env python
   
6. 　　    # -*- coding: cp936 -*-
   
7.     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：
   
8.         # -*- coding: encoding -*-
   
9. 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。
   
10.     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。
    
11. 
    
12. 二、中文字符的存储
    
13.         >>> str = u"中文"
    
14.         >>> str
    
15.         u'\xd6\xd0\xce\xc4'
    
16.         >>> str = "中文"
    
17.         >>> str
    
18.         '\xd6\xd0\xce\xc4'
    
19.     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：
    
20.         >>> str = "中文"
    
21.         >>> str
    
22.         '\xd6\xd0\xce\xc4'
    
23.         >>> str = str.decode("gb2312")
    
24.         >>> str
    
25.         u'\u4e2d\u6587'
    
26. 更进一步：
    
27.         >>> s = '中文'
    
28.         >>> s.decode('gb2312')
    
29.         u'\u4e2d\u6587'
    
30.         >>> len(s)
    
31.         4
    
32.         >>> len(s.decode('gb2312'))
    
33.         2
    
34.         >>> s = u'中文'
    
35.         >>> len(s)
    
36.         4
    
37.         >>> s = '中文test'
    
38.         >>> len(s)
    
39.         8
    
40.         >>> len(s.decode('gb2312'))
    
41.         6
    
42.         >>> s = '中文test，'
    
43.         >>> len(s)
    
44.         10
    
45.         >>> len(s.decode('gb2312'))
    
46.         7
    
47.     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。
    
48.     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!
    
49.     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。
    
50. 
    
51. 三、中文字符的IO操作
    
52.     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：
    
53.         a = "我们是python爱好者"
    
54.         print a[0]
    
55. 只能输出“我”字的前半部分，要想输出整个的“我”字还需要：
    
56.         b = a[0:2]
    
57.         print b
    
58. 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：
    
59.         c = unicode(a, "gb2312")
    
60.         print c[0]
    
61. 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：
    
62.        d = c.encode("utf-8")
    
63. 
    
64. 四、<type ‘str’>和<type ‘unicode’>
    
65. <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。
    
66. 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：
    
67.         s.decode(encoding)    <type 'str'> to <type 'unicode'>
    
68.         u.encode(encoding)    <type 'unicode'> to <type 'str'>
    
69.     例如：
    
70.         >>> s = 'str'
    
71.         >>> type(s)
    
72.         <type 'str'>
    
73.         >>> type(s.decode())
    
74.         <type 'unicode'>
    
75.         >>> s = u'str'
    
76.         >>> type(s)
    
77.         <type 'unicode'>
    
78.         >>> type(s.encode())
    
79.         <type 'str'>
    
80. 处理中文数据时最好采用如下方式：
    
81.    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)
    
82.    2. Unicode everywhere (程序内部处理都用unicode)
    
83.    3. Encode late (最后encode回所需的encoding, 例如把最终结果写进结果文件)
    
84. 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：
    
85.     >>> p = re.compile(unicode("测试(.*)", "gb2312"))
    
86.     >>> s = unicode("测试一二三", "gb2312")
    
87.     >>> for i in p.findall(s):
    
88.                   print i.encode("gb2312")
    
89.     一二三
    
90. 
    
91. 五、跨平台处理技巧
    
92.     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：
    
93.         import locale
    
94.         import string
    
95.         import re
    
96.         #根据当前系统的encoding构造需要的编码取值
    
97.         lang = string.upper(locale.setlocale(locale.LC_ALL, ""))
    
98.         textencoding = None
    
99.         #检查编码的值是不是满足我们需要的情况
    
100.         if re.match("UTF-8", lang) != None:
     
101.             # UTF-8编码
     
102.             textencoding = "utf-8"
     
103.         elif re.match(r"CHINESE|CP936", lang):
     
104.             # Windows下的GB编码
     
105.             textencoding = "gb18030"
     
106.         elif re.match(r"GB2312|GBK|GB18030", lang):
     
107.             # Linux下的GB编码
     
108.             textencoding = "gb18030"
     
109.         else:
     
110.             # 其他情况，抛个错误吧
     
111.             raise UnicodeError
     
112.         fd = file(filename, "r")
     
113.         fulltextlist = fd.readlines()
     
114.         # 把每一行转换成unicode
     
115.         for each in len(fulltextlist):
     
116.             fulltextlist[i] = unicode(each, textencoding)
     
117.         fd.close()
     
118.         # 如果要打印的话，可以用text.encode(encoding)来恢复成多字节编码
     
119. 
     
120. 小结
     
121.     一个比较一般的Python中文处理的流程：
     
122.     * 将欲处理的字符串用unicode函数以正确的编码转换为Unicode                     
     
123.     * 在程序中统一用Unicode字符串进行操作                                          
     
124.     * 输出时，使用encode方法，将Unicode再转换为所需的编码                        
     
125. 有几点要说明一下：
     
126.     * 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
     
127.     * 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
     
128.     * 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
     
129.     * UTF-8和GB编码不兼容
     
130. 
     
131. 参考资料
     
132. 1、[url]http://bbs3.chinaunix.net/thread-1389703-1-2.html[/url]
     
133. 2、Python的中文处理及其它
     
134.    [url]http://www.go4pro.org/?p=38[/url]
     
135. 3、Python处理中文的时候的一些小技巧
     
136.    [url]http://cocre.com/?p=461[/url]
     
137. 4、Unicode In Python, Completely Demystified. Kumar McMillan
     
138.    [url]http://farmdev.com/talks/unicode[/url]
     
139. 5、python中文处理好方法
     
140.    [url]http://www.okpython.com/bbs/viewthread.php?tid=311[/url]
     
141. 6、Python的中文处理
     
142.    [url]http://hi.baidu.com/mrsz/blog/item/7812a5018c2cf2031d9583d2.html[/url]

复制代码

[ 本帖最后由 pFreeStyle 于 2009-4-16 09:24 编辑 ]

yjphhw

保存,以备参考..

gawk

不错，总结的很好，最近正在研究这个东西，^_^

pFreeStyle

1. 
   
2. 六、异常处理
   
3. 
   
4.     编码encoding发生在Unicode字符串转换为字节序列时，而解码decoding发生在字节序列转换为Unicode字符串时（encoding always takes a Unicode string and returns a bytes sequence, and decoding always takes a bytes sequence and returns a Unicode string）。
   
5. 
   
6. UnicodeDecodeError
   
7. UnicodeDncodeError通常发生在将str字符串解码为特定Unicode字符串时。由于不同的编码只能映射部分str字符串到对应的Unicode字符，所以遇到一些字符时解码会失败。
   
8. 
   
9. UnicodeEncodeError
   
10.     UnicodeEncodeError通常发生在将Unicode字符串编码为特定字节序列时。由于不同的编码只能映射部分Unicode字符到对应的str字符串，所以遇到一些字符时编码会失败。
    
11. 
    
12. 处理python编码转换时的UnicodeDecodeError异常
    
13. 
    
14.     python提供的unicode转换不像iconv或是mbstowcs之类的方便。如果转换一段unicode("1234中文",'ascii') 到utf8，会直接出现UnicodeDecodeError的错误。如果在你能预知字串符的编码的时候，比如你用unicode('1234中文', 'gbk') 就不会出现错误；不过很多时候，会出现CJK混合的情况，如果要做到将一段CJK文件转换成unicode可能就行不通了。好在python的codecs提供了register_error这个功能：
    
15.         register_error(name, error_handler)
    
16. 原理很简单，不过要先看unicode是如何处理异常的。unicode这个函数是将一段string按输入的编码转换成目标的编码，如果出现了不与输入编码相符的，会出现一个UnicodeDecodeError的异常，通常有三种处理方法：strict、replace、ignore；默认是 strict,就是直接raise UnicodeDecodeError。通过register_error，我们也可以有自己的处理方法，如果遇到与输入的编码不符的时候，我们就自己识别，比如GBK、BIG5、JP的字符。
    
17.     def cjk_replace(exc):
    
18.         if not isinstance(exc, UnicodeDecodeError):
    
19.             raise TypeError("don't know how to handle %r" % exc)
    
20. 
    
21.         if exc.end + 1 > len(exc.object):
    
22.             raise TypeError('unknown codec ,the object too short!')
    
23. 
    
24.         ch1 = ord(exc.object[exc.start:exc.end])
    
25.         newpos = exc.end + 1
    
26.         ch2 = ord(exc.object[exc.start + 1:newpos])
    
27.         sk = exc.object[exc.start:newpos]
    
28. 
    
29. 
    
30.         if 0x81<=ch1<=0xFE and (0x40<=ch2<=0x7E or 0x7E<=ch2<=0xFE): # GBK
    
31.             return (unicode(sk,'cp936'), newpos)
    
32. 
    
33.         if 0x81<=ch1<=0xFE and (0x40<=ch2<=0x7E or 0xA1<=ch2<=0xFE): # BIG5
    
34.             return (unicode(sk,'big5'), newpos)
    
35. 
    
36.         raise TypeError('unknown codec !')
    
37. 
    
38.     codecs.register_error("cjk_replace", cjk_replace)
    
39. 我们的cjk_replace现在只能处理GBK与BIG5的，因为我对编码也不是特别了解，只是大概知道GBK与BIG5的，不太了解JP的。在 cjk_replace这个函数里，我们对不认识的文字进行手工识别，如果认识的编码，就用正确的方法，并返回编码后的内容与新的pos，比如“1234中文”，在pos为4的时候，会调用我们的cjk_replace，我们会返回一个从gbk转换成utf8的“中”字，并返回下个正确的位置“文”的起始位置。当然了，处理“文”的时候，还会再调用一次。下面看看是如何使用的：
    
40.         filedata = open('test.txt','r).read()    #gbk and big5 file
    
41.         data = unicode(filedata,'ascii','cjk_replace').encode('utf8')
    
42. 
    
43. 7、 UnicodeDecodeError
    
44.       [url]http://wiki.python.org/moin/UnicodeDecodeError[/url]
    
45. 8、 UnicodeEncodeError
    
46.       [url]http://wiki.python.org/moin/UnicodeEncodeError[/url]
    
47. 9、 如何处理python编码转换时的UnicodeDecodeError异常
    
48.       [url]http://blog.chinaunix.net/u/8873/showart_1009737.html[/url]
    
49. 10、codecs — Codec registry and base classes
    
50.        [url]http://docs.python.org/library/codecs.html[/url]
    
51. 
    

复制代码

A.com

这贴实在是太好了，由衷地表示我对楼主的崇敬之情…………（此处省略三百万字）

xiaoyu9805119

感谢分享
中文的话只要你捣鼓成utf8格式就好办了

taliban

你蛮叽歪的

就你厉害

支持一下

nietsche

很有用的，先保留！

lipingtababa

很用心的总结,谢谢楼主了

fufeiwxy

lz的总结有点问题：
1 str=u"中文"，type(str)应该是unicode，因此len(u"中文")应该等于2；不知道lz使用的是什么版本的python；我的是Linux 下的2.6.2。
2 关于编码之间的关系和编码与unicode的关系的讨论，用词似乎有些不妥
3 python中文处理，不一定非得转换到unicode下面；如果能保证在处理过程中，都使用同一中编码，那么使用字符串就可以了，不一定非得使用unicode string。
其他的总结的都很好！赞一个先