前言

python2.x版本的字符編碼有時讓人很頭疼，遇到問題，網上方法可以解決錯誤，但對原理還是一知半解，本文主要介紹 python 中字符串處理的原理，附帶解決 json 文件輸出時，顯示中文而非 unicode 問題。首先簡要介紹字符串編碼的歷史，其次，講解 python 對于字符串的處理，及編碼的檢測與轉換，最后，介紹 python 爬蟲采取的 json 數據存入文件時中文輸出的問題。

參考書籍：Python網絡爬蟲從入門到實踐 by唐松

在python 2或者3 ，字符串編碼只有兩類 ：

（1）通用的Unicode編碼；

（2）將Unicode轉化為某種類型的編碼，如UTF-8，GBK；

1、計算機歷史：

計算機只處理數字，因此處理文本時，必須轉換成數字才行。

8位（bit）=1字節(jié)（byte）=256種不同狀態(tài)=從000000到111111；

1GB=1024M=1024（1024kb）=1024（1024（1024b））；

ASCII編碼 是對應英文字符與二進制數字之間的關系；ASCII一共規(guī)定了128種，如大寫字母A是65，即01000001；可見一字母一字節(jié)；

GB2312編碼 簡體中文常見的編碼，兩個字節(jié)代表一個中文漢字 ，理論上256*256個編碼，即可表示65536種中文字；

各國編碼不同，為了各國能擴平臺進行文本的轉換與處理，Unicode就被作為統(tǒng)一碼或者單一碼。Unicode編碼通常是兩個字節(jié)，unicode與ASCII編碼的區(qū)別，在于unicode在ASCII編碼前加了一個0，即字母A的ASCII編碼為01000001，unicode編碼即為0000000001000001;但英文字母其實只用一個字節(jié)就夠了，unicode編碼寫英文時多了一個字節(jié)，浪費存儲空間。因而unicode開發(fā)了通用轉換格式（Unicode Transformation Format(UTF)）,常見的有utf-8或者utf-16；

要明白encode()和decode()的區(qū)別

encode()的作用是將Unicode編碼的字符串轉換為其他編碼格式。

例如： st1.encode("utf-8") 這句話的作用是將Unicode編碼的st1編碼為utf-8編碼的字符串

decode()的作用是把其他編碼格式的字符串轉換成Unicode編碼的字符串。

例如： st2.decode("utf-8") 這句話的作用是將utf-8編碼的字符串st2解碼為Unicode編碼的字符串

第二，除Unicode編碼的字符串以外，任何一種編碼的字符串要想轉換為其他編碼格式，必須先解碼后編碼

非Unicode編碼--> Unicode編碼-->非Unicode編碼

例如，utf-8編碼的字符串st想要轉換為gbk編碼的字符串，必須經過以下步驟：

st=st.decode("utf-8") #解碼為Unicode編碼
st=st.encode("gbk") #從Unicode編碼編碼為gbk編碼

第三，我們經常使用的utf-8編碼還分為有BOM的和無BOM的。

第四：關于json文件的中文編碼。用Python讀取Json文件時經常用到json.load()函數，該函數對json文件的格式是有要求的

1）json文件是utf-8 without BOM編碼的，那么可以直接用json.load(filename)函數讀取json文件的內容

2）json文件是utf-8 with BOM編碼的，不能用json.load()函數讀取，json.load()不能正確識別

3）json文件時其他編碼的，比如gbk， 要把json文件的編碼格式作為一個參數傳給json.load() ：

eg. json.load(filename，"gbk")

第五，怎么查看并且設置自己文件的編碼呢。

介紹一個個人比較喜歡的工具"Nodtepad++"，隨便一個軟件管家里就與一鍵安裝。

用這個工具你可以方便的查看自己的文件的當前編碼，并可以輕松轉換成任意其他編碼格式

2、python字符編碼

參考地址：http://www.fzitv.net/article/139878.htm

（1）encode的作用是，將unicode對象編碼成其他編碼的字符串，str.encode('utf-8'),編碼成UTF-8；（2）decode的作用是將其他編碼的字符串轉換成Unicode編碼，str.decode('UTF-8')；

• import chardet 查閱具體的編碼類型，chardet.detect(str)，但是str不能是unicode編碼類型，但是該方法 不接受 本來已經是unicode的編碼的 參數，會有TypeError: Expected object of type bytes or bytearray, got: <type 'unicode'>錯誤；
• 作為統(tǒng)一標準，unicode不能再被解碼，如果UTF-8想轉至其他非unicode，則必須（2）先decode 到unicode，在encode到其他非unicode的編碼。

爬取網頁時，可在F12 elements meta中查看網頁編碼方式，如圖：

(2)中文，Python中的字典能夠被序列化到json文件中存入json

with open("anjuke_salehouse.json","w",encoding='utf-8') as f:
 json.dump(all_house,f,ensure_ascii=False,sort_keys=True, indent=4);
 print(u'加載入文件完成...');

存儲數據如圖：

• dump()的第一個參數是要序列化的對象，第二個參數是打開的文件句柄，注意文件打開open()時加上以UTF-8編碼打開，在dump()的時候也加上ensure_ascii=False,不然會變成ascii碼寫到json文件中json.dump(all_house,f,ensure_ascii=False,sort_keys=True, indent=4)

json.dumps()/json.loads()等用法

json_str = json.dumps(all_house,ensure_ascii=False); #all——books 為列表、字典等python自帶的數據結構，將其寫成json
#print json_str; #[{"brokername": "王東宇"},{},{}]
new_dict = json.loads(json_str);#主要是讀json文件時，需要用到
#print new_dict; #{u'house_area': u'95', u'build_year': u'2005'}

• json.dumps() 是將一個Python數據結構轉換為一個JSON編碼的字符串,

{"name": "xiaoming"}

json.loads() 是將一個JSON編碼的字符串（字典形式）轉換為一個Python數據結構,{u'name': u'xiaoming'}

dumps轉化后鍵與值都變成了雙引號，而在loads后變成python變量時，元素都變成了單引號，并且字符串前加多了個u。
一般要求當要字符串通過loads轉為python數據類型時，得外層用單引號，里面元素key和value用雙引號。

• sort_keys：根據key排序

dump與dumps的區(qū)別

• dumps(obj, skipkeys=False, ensure_ascii=True, check_circular=True, allow_nan=True, cls=None, indent=None, separators=None, encoding='utf-8', default=None, sort_keys=False, **kw)；dump將一個對象序列化存入文件，dump需要一個類似于文件指針的參數（并不是真的指針，可稱之為類文件對象），可以與文件操作結合，也就是說可以將dict轉成str存入文件中，如json.dump(all_house,f,ensure_ascii=False,sort_keys=True, indent=4)中的f表示一個數據待寫入的json文件句柄；
• dump(obj, fp, skipkeys=False, ensure_ascii=True, check_circular=True, allow_nan=True, cls=None, indent=None, separators=None, encoding='utf-8', default=None, sort_keys=False, **kw)；而dumps(str)直接給的是str，也就是直接將字典轉成str，無需寫入文件，類似一個數據格式的轉換方法，將python字符串轉成json字典。
• 所以dumps是將dict轉化成str格式，loads是將str轉化成dict格式。
  dump和load也是類似的功能，只是與文件操作結合起來了。

（3）中文存入txt

f=open('net_saving_data.txt','w',encoding='utf-8');
for item in all_house:
 # house_area=item['house_area'];
 # price=item['price'];
 output='\t'.join([str(item['house_area']),str(item['price']),str(item['build_year']),str(item['house_title'])]);
 f.write(output);
 f.write('\n');
f.close();

• 在2.7.15版本的python中，提示錯誤TypeError: 'encoding' is an invalid keyword argument for this function,無法傳入encoding的參數，但是在3.7版本可傳入encoding='utf-8'參數，即可對 txt進行中文寫入。

!!NOTE

• 中文寫入txt、json文件是無非就是open()文件時，需要添加utf-8，dump()時，需要添加ensure_ascii=False，防止ascii編碼，但是剛開始因為python版本是2.7.15，不是3.7，導致存儲不成功的時候，一直以為是代碼的問題。所以最后發(fā)現就是版本的問題，也挺傷的。網上關于中文這個編碼問題有很多，但是他們都沒有強調python版本的問題?。?！其他3.xx的版本沒有試過。
• 讀取網頁數據的時候，查看網頁的charset，及chardet庫對編碼類型的查詢，及時進行decode和encode的編碼轉化，應該就能避免很多編碼問題了。其他的坑以后踩了再補吧。

總結

以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

最新評論