python模組之codecs 自然語言編碼轉換

python對多國語言的處理是支援的很好的，它可以處理現在任意編碼的字元，這裡深入的研究一下python對多種不同語言的處理。

有一點需要清楚的是，當python要做編碼轉換的時候，會借助於內部的編碼，轉換過程是這樣的：

原有編碼 -> 內部編碼 -> 目的編碼

python的內部是使用unicode來處理的，但是unicode的使用需要考慮的是它的編碼格式有兩種，一是ucs-2，它一共有65536個碼位，另一種是ucs-4，它有2147483648g個碼位。對於這兩種格式，python都是支援的，這個是在編譯時通過--enable- unicode=ucs2或--enable-unicode=ucs4來指定的。那麼我們自己預設安裝的python有的什麼編碼怎麼來確定呢？有乙個辦法，就是通過sys.maxunicode的值來判斷：

import

sysprint

sys.maxunicode

如果輸出的值為65535,那麼就是ucs-2,如果輸出是1114111就是ucs-4編碼。

我們要認識到一點：當乙個字串轉換為內部編碼後，它就不是str型別了！它是unicode型別：

a ="風捲殘雲

"print

type(a)

b =a.unicode(a,

"gb2312")

type(b)

輸出：< type 'unicode'>

這個時候b可以方便的任意轉換為其他編碼，比如轉換為utf-8:

c =b.encode(

"utf-8")

cc輸出的東西看起來是亂碼，那就對了，因為是utf-8的字串。

好了，該說說codecs模組了，它和我上面說的概念是密切相關的。codecs專門用作編碼轉換，當然，其實通過它的介面是可以擴充套件到其他關於**方面的轉換的，這個東西這裡不涉及。

#-*- encoding: gb2312 -*-

import

codecs, sys

print'-

'*60#

建立gb2312編碼器

look

=codecs.lookup(

"gb2312")

#建立utf-8編碼器

look2

=codecs.lookup(

"utf-8")

a ="我愛北京

"print

len(a), a

#把a編碼為內部的unicode, 但為什麼方法名為decode呢，我的理解是把gb2312的字串解碼為unicodeb =

look.decode(a)

#返回的b[0]是資料，b[1]是長度，這個時候的型別是unicode了

printb[1

], b[0], type(b[0])

#把內部編碼的unicode轉換為gb2312編碼的字串，encode方法會返回乙個字串型別

b2 =

look.encode(b[0])

#發現不一樣的地方了吧？轉換回來之後，字串長度由14變為了7! 現在的返回的長度才是真正的字數，原來的是位元組數

b2[1

], b2[0], type(b2[0])

#雖然上面返回了字數，但並不意味著用len求b2[0]的長度就是7了，仍然還是14，僅僅是codecs.encode會統計字數

len(b2[0])

上面的**就是codecs的使用，是最常見的用法。另外還有乙個問題就是，如果我們處理的檔案裡的字元編碼是其他型別的呢？這個讀取進行做處理也需要特殊的處理的。codecs也提供了方法.

#-*- encoding: gb2312 -*-

import

codecs, sys

#用codecs提供的open方法來指定開啟的檔案的語言編碼，它會在讀取的時候自動轉換為內部unicode

bfile

=codecs.open(

"dddd.txt",

'r',

"big5")

#bfile = open("dddd.txt", 'r')

ss =

bfile.read()

bfile.close()

#輸出，這個時候看到的就是轉換後的結果。如果使用語言內建的open函式來開啟檔案，這裡看到的必定是亂碼

ss, type(ss)

python模組之codecs 自然語言編碼轉換

python對多國語言的處理是支援的很好的，它可以處理現在任意編碼的字元，這裡深入的研究一下python對多種不同語言的處理。有一點需要清楚的是，當python要做編碼轉換的時候，會借助於內部的編碼，轉換過程是這樣的原有編碼內部編碼目的編碼 python的內部是使用unicode來處理的，但是...

python模組之codecs 自然語言編碼轉換

python模組之codecs 自然語言編碼轉換

python模組之codecs 自然語言編碼轉換

python模組之codecs 自然語言編碼轉換

相關推薦