python黑魔法之編碼轉換

更新時間：2016年01月25日 16:09:28 作者：icedoom

這篇文章主要介紹了python黑魔法之編碼轉換，分析了python編碼轉換的方法，感興趣的小伙伴們可以參考一下

我們在使用其他語言的庫做編碼轉換時，對于無法理解的字符，通常的處理也只有兩種（或三種）：

拋異常
替換成替代字符
跳過

但是在復雜的現(xiàn)實世界中，由于各種不靠譜，我們處理的文本總會出現(xiàn)那么些不和諧因素，比如混合編碼。在這種情況下，又回到了上面的處理辦法。

那么問題來了，python有沒有更好地辦法呢？

答案是，有！

python的編碼轉換流程實際上是兩段式轉換：

source -> unicode -> dest

首先將字符串從原始編碼轉換成unicode。再將unicode轉換成目標編碼。

第一步我們一般采用decode()或者 unicode() 這兩個函數(shù)完成。
第二步我們使用encode()函數(shù)完成。

在這里我們說的黑魔法就是在第一步實現(xiàn)。

decode和unicode函數(shù)都有一個叫做errors的可選參數(shù)?？纯垂俜降拿枋觯?/p>

errors may be given to set a different error
handling scheme. Default is 'strict' meaning that encoding errors raise
a UnicodeDecodeError. Other possible values are 'ignore' and 'replace'
as well as any other name registered with codecs. register_error that is
able to handle UnicodeDecodeErrors.

這個參數(shù)通常有三種值：

strict 默認值。如果出現(xiàn)編碼錯誤，則會拋出UnicodeDecodeError。
ignore 跳過。
replace 用?替換。

好了，看到最后一句話了嗎？好戲上演了！

模塊codec有一個函數(shù)叫做register_error。他的作用讓用戶可以注冊自定義的errors處理方法。
用來處理UnicodeDecodeError。

我們看看函數(shù)原型：

codecs.register_error(name, error_handler)

name: 錯誤處理的名稱。用以填寫在decode函數(shù)的error參數(shù)中。
error_handler: 處理函數(shù)。該函數(shù)接受一個異常參數(shù)。
返回一個tuple，該tuple有2個元素，第一個是糾錯后的字符串，第二個是繼續(xù)decode的起始位置

有了上面的基本概念。我們看下具體實現(xiàn)：

def cjk_error(e):
  if not isinstance(e, UnicodeDecodeError):
    raise TypeError("don't know how to handle %r" % exc) 
  if exc.end + 1 > len(exc.object): 
    raise TypeError('unknown codec ,the object too short!') 
  ch1 = ord(exc.object[exc.start:exc.end]) 
  newpos = exc.end + 1 
  ch2 = ord(exc.object[exc.start + 1:newpos]) 
  sk = exc.object[exc.start:newpos] 
  if 0x81<=ch1<=0xFE and (0x40<=ch2<=0x7E or 0x7E<=ch2<=0xFE): # GBK 
    return (unicode(sk,'cp936'), newpos) 
  if 0x81<=ch1<=0xFE and (0x40<=ch2<=0x7E or 0xA1<=ch2<=0xFE): # BIG5 
    return (unicode(sk,'big5'), newpos) 
  raise TypeError('unknown codec !') 
codecs.register_error("cjk_replace", cjk_replace)

上面這個是我從網上copy的。開始我覺得很不錯，但是后來發(fā)現(xiàn)是個很不經推敲的算法。
比如utf8和gbk在前兩個字節(jié)就有交集的部分。當一個utf8的字符串以gbk編碼decode的時候，出現(xiàn)錯誤是從第三個字節(jié)開始（前兩個字節(jié)也能夠在gbk編碼范圍中對應到一個漢字）。
如：

a = "你"              # utf8編碼：'\xe4\xbd\xa0'
c = unicode(a[:2],'gbk')  # 正常返回
c = unicode(a, 'gbk')    # UnicodeDecodeError 。錯誤發(fā)生在第三個字節(jié)

所以針對這種情況，做了下改進：

import codec

def cjk_replace(e):
  if not isinstance(e, UnicodeDecodeError):
    raise TypeError("invalid exception type %s" e)

  src = e.encoding
  if src in ('gbk','gb18030', 'big5'):
    beg = e.start - 2
    if beg >= 0:
      try:
        return unicode(e.object[beg:e.end], 'utf8'), e.end + 1
      except:
        pass

  if exc.end + 1 > len(exc.object):
    raise TypeError('unknown codec ,the object too short!')
  ch1 = ord(exc.object[exc.start:exc.end])
  newpos = exc.end + 1
  ch2 = ord(exc.object[exc.start + 1:newpos])
  sk = exc.object[exc.start:newpos]

  if src != 'gbk' and 0x81<=ch1<=0xFE and (0x40<=ch2<=0x7E or 0x7E<=ch2<=0xFE): # GBK
    return (unicode(sk,'cp936'), newpos)
  if src != 'big5' and 0x81<=ch1<=0xFE and (0x40<=ch2<=0x7E or 0xA1<=ch2<=0xFE): # BIG5
    return (unicode(sk,'big5'), newpos)
  raise TypeError('unknown codec !')

codecs.register_error("cjk_replace", cjk_replace)

當然，這個邏輯其實還是不夠嚴謹?shù)摹ｋm然對于這種混合編碼這種畸形活處理有點較真兒。
不過既然python提供這樣的能力，大家可以一起來討論下，我們怎么可以做的更好?

您可能感興趣的文章: