python 字元編碼學習小結 二

一、常見的編譯碼問題：

先來說幾個常見的問題吧。

這2個問題，都是最最常見，又最基本典型的問題，又最基本的2個問題，從這2個問題出發，弄清楚問題產生的原因，後面很多問題基本都是組合場景，能比較輕鬆解決。

二：問題產生原因分析

1、根本原因：

2、分析問題1產生原因和解決方法:

第一步: ***格式的txt檔案被讀取到記憶體中

第二步：顯示器按&&&方式來讀取？
當&&& 與 ***不一致就會亂碼，分析如下：
a: 正常預設情況下，python解析器嘗試使用 &&& = gbk格式（windows預設格式：cp396->gbk）來解析這塊記憶體資料來顯示：
a : 如果讀取的檔案是*** =gbk格式，ok，不亂碼
b : 如果讀取的檔案是*** = utf-8格式就會產生亂碼。因為以utf-8形式表示的編碼在gbk編碼中被解釋成其他字串導致產生亂碼
b: 而如果此時在在pycharm裡可以通過設定settings的encoding格式=utf-8來解析這塊記憶體資料：
a:  如果讀取的檔案是gbk格式會產生亂碼。因為以gbk形式表示的編碼在utf-8編碼中被解釋成其他字串導致產生亂碼
b : 如果讀取的檔案是utf-8格式就不會亂碼。
a.b 解決辦法：.decode(
'utf-8
').encode('
gbk')或者decode('
utf-8')
b.a 解決辦法：decode(
'gbk
').encode('
utf-8
')或者decode('
gbk'
)其中，windows預設的解析格式是gbk，在pycharm裡可以通過設定settings的encoding格式來設定；而檔案儲存格式，在notepad++可以選擇
讀取檔案推薦使用方法：
推薦使用codecs模組，
使用codecs/io.open()顯示指定檔案編碼格式。
python 2 open(filename,mode)，不支援encoding引數，但python 3支援

第一步: 以***編碼格式儲存py檔案。

第二步：顯示器按&&&方式來讀取？
在解析過程中，當字元在***無法找到時程式會拋異常，分析如下：
a: 正常預設情況下，python的預設編碼是 *** =ascii編碼：
a : 預設情況下，python解析器嘗試使用 &&& =gbk 來解析資料，但是中文並不是ascii字元,導致直譯器不知如何處理，拋異常.
b : 設定pycharm的settings的encoding格式 = utf-8
， 來解析資料，但是中文並不是ascii字元,導致直譯器不知如何處理，拋異常.
解決方法：宣告原始檔的編碼方式。

1、不可見字元bom導致解析異常

2、chardet檢測位元組流編碼格式，是基於概率，存在不準確的問題。位元組編碼無法準確猜對，必須明確告知

3、os.walk() 遍歷含中文的路徑時中文亂碼報錯 

現在需要遍歷e:/ 下的路徑，部分如下所示，存在中文檔名

a:  報錯**段如下：讀取的

#!/usr/bin/python

# -*- coding: utf-8 -*-import os
for root, dirs, files in os.walk("e:/", topdown=false):
for name infiles:
print(os.path.join(root, name))

b： 導致取讀錯誤的原因如下：

os.walk(folder_name) 返回的檔案路徑編碼和入參folder_name編碼有關：

• 當folder_name是unicode時，os.walk返回的root,directories, filenames也是unicode

• 否則按照sys.getfilesystemencoding()編碼返回str.中文windows 系統sys.getfilesystemencoding()返回「mbcs」(即：「gbk」)英文ubuntu系統sys.getfilesystemencoding()返回「utf-8」

如果根路徑中有中文，路徑需要使用unicode編碼作為os.walk的入參

c : 修改**如下,能正常讀取中文路徑

for root, dirs, files in os.walk(u"

e:/", topdown=false):
或者for root, dirs, files in os.walk("
				
字元編碼小結
1 早期只有127以內的字元 20以內是控制字元。2 後來各國有了自己的編碼，但一般是兩個位元組表示乙個字元 中國 3 unicode 就是解決各國之間衝突的問題，定義了統一的標準。可以65025個字元。這樣英文也是乙個字元兩個位元組，這樣的好處是全世界統一。4 utf 系列其實和unicode可以...
				
字元編碼小結
ansi ascii american standard code for information interchange 乙個位元組 字元 0 0x32 為控制碼 33 255 為 字元 中 國人民 gb2312 去掉ascii表127之後的定義.規定 乙個小於127的字元意義與原來相同，兩個大於...
				
字元編碼小結
儲存器位 bit 位元組 byte 字 word 雙字 double word 1 byte 8 bits 1 word 2 bytes 16 bits 1 double word 2 words 4 bytes 32 bits 單位元組來自遠古時代。計算機最初是在美國等國家發明的，所以只需要把英文...