Python編解碼問題與文本文件處理


編解碼器

在字符與字節之間的轉換過程稱為編解碼,Python自帶了超過100種編解碼器,比如:

  • ascii(英文體系)
  • gb2312(中文體系)
  • utf-8(全球通用)
  • latin1
  • utf-16

編解碼器一般有多個別名,比如utf8utf-8U8

這些編解碼器可以傳給open()、str.encode()、bytes.decode()等函數的encoding參數。

UnicodeEncodeError

多數非UTF編解碼器(比如cp437)只能處理Unicode字符的一小部分子集。把字符轉換成字節時,如果目標編碼中沒有定義這個字符,那么就會拋出UnicodeEncodeError異常。

處理方式一:使用utf8編碼。

處理方式二:添加errors參數:

# 忽略 如b'So Paulo'
city.encode("cp437", errors="ignore")
# 替換為? 如b'S?o Paulo'
city.encode("cp437", errors="replace")
# 替換為XML實體 如b'São Paulo'
city.encode("cp437", errors="xmlcharrefreplace")

UnicodeDecodeError

把字節轉換為字符時,遇到無法轉換的字節時會拋出UnicodeDecodeError異常。這是因為不是每個字節都包含有效的ASCII字符,也不是每個字符都是有效的UTF-8。

處理方式也有兩種,跟上面一樣。

SyntaxError

Python3默認使用UTF-8編碼源碼。如果加載的.py模塊中包含UTF-8之外的數據,而且沒有聲明編碼,就會拋出SyntaxError異常。

處理方式是在文件頂部添加coding注釋:

# coding: cp1252

但是這個辦法並不好,最好還是找到這些報錯字符,把它們轉換為UTF-8。

從網上直接復制代碼到IDE中執行經常會報這個錯。

處理文本文件

Unicode三明治:

image-20210616093403143

在程序中盡量少接觸二進制,把字節解碼為字符,只處理字符串對象。比如在Django中,view應該輸出Unicode字符串,Django會負責把響應數據編碼成字節序列,而且默認使用UTF-8編碼。

Python內置的open函數就是采用了這個原則,在讀取文件時會做必要的解碼,以文本模式寫入文件時會做必要的編碼。

文件亂碼

Windows更容易遇到這個問題,因為Windows並不是統一的UTF-8編碼,比如在Windows10中:

>>> open("cafe.txt", "w", encoding="utf8").write("café")
4
>>> open("cafe.txt").read()
'caf茅'

寫入文件時指定了utf8,但是讀取文件沒有指定,Python就會使用系統默認編碼:

>>> import locale
# 打開文件用這個
# 如果沒有設置PYTHONENCODING環境變量,sys.stdout/stdin/stderr也用這個
>>> locale.getpreferredencoding()
'cp936'

cp936把最后一個字節解碼成了而不是é

>>> import sys
# 二進制數據和字符串之間轉換用這個
>>> sys.getdefaultencoding()
'utf-8'
>>> import sys
# 文件名(不是文件內容)用這個
>>> sys.getfilesystemencoding()
'utf-8'

GNU/Linux或Mac OS X不會遇到這個問題,因為多年來它們的默認編碼都是UTF-8。

解決辦法是一定不能依賴系統默認編碼,打開文件時始終應該明確傳入encoding=參數,因為不同的設備使用的默認編碼可能不同,有時隔一天也會發生變化。

小結

本文介紹了Python的編解碼器,以及可能出現的UnicodeEncodeError、UnicodeDecodeError、SyntaxError問題,然后給出了Python的open函數處理文本文件的原則,最后對Windows容易出現的文件亂碼問題進行了說明。

參考資料:

《流暢的Python》


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM