|
1. 在Python中使用中文
在Python中有兩種默認的字符串：str和unicode。在Python中一定要注意區(qū)分“Unicode字符串”和“unicode對象”的區(qū)別。后面所有的“unicode字符串”指的都是python里的“unicode對象”。
事實上在Python中并沒有“Unicode字符串”這樣的東西，只有“unicode”對象。一個傳統(tǒng)意義上的unicode字符串完全可以用str對象表示。只是這時候它僅僅是一個字節(jié)流，除非解碼為unicode對象，沒有任何實際的意義。
我們用“哈哈”在多個平臺上測試，其中“哈”對應的不同編碼是：
1． UNICODE (UTF8-16)， C854；
2． UTF-8， E59388；
3． GBK， B9FE。
1.1 Windows控制臺
下面是在windows控制臺的運行結果：
 可以看出在控制臺，中文字符的編碼是GBK而不是UTF-16。將字符串s（GBK編碼）使用decode進行解碼后，可以得到同等的unicode對象。
注意：可以在控制臺打印ss并不代表它可以直接被序列化，比如：
 向文件直接輸出ss會拋出同樣的異常。在處理unicode中文字符串的時候，必須首先對它調用encode函數，轉換成其它編碼輸出。這一點對各個環(huán)境都一樣。
總結：在Python中，“str”對象就是一個字節(jié)數組，至于里面的內容是不是一個合法的字符串，以及這個字符串采用什么編碼（gbk, utf-8, unicode）都不重要。這些內容需要用戶自己記錄和判斷。這些的限制也同樣適用于“unicode”對象。要記住“unicode”對象中的內容可絕對不一定就是合法的unicode字符串，我們很快就會看到這種情況。
總結：在windows的控制臺上，支持gbk編碼的str對象和unicode編碼的unicode對象。
1.2 Windows IDLE（在Shell上運行）
在windows下的IDLE中，運行效果和windows控制臺不完全一致：
 可以看出，對于不使用“u”作標識的字符串，IDLE把其中的中文字符進行GBK編碼。但是對于使用“u”的unicode字符串，IDLE居然一樣是用了GBK編碼，不同的是，這時候每一個字符都是unicode（對象）字符??！此時len(ss) = 4。
這樣產生了一個神奇的問題，現在的ss無法在IDLE中正常顯示。而且我也沒有辦法把ss轉換成正常的編碼！比如采用下面的方法：
 這有可能是因為IDLE本地化做得不夠好，對中文的支持有問題。建議在IDLE的SHELL中，不要使用u“中文”這種方式，因為這樣得到的并不是你想要的東西。
這同時說明IDLE的Shell支持兩種格式的中文字符串：GBK編碼的“str”對象，和UNICODE編碼的unicode對象。
1.3 在IDLE上運行代碼
在IDLE的SHELL上運行文件，得到的又是不同的結果。文件的內容是：
 直接運行的結果是：
 毫無瑕疵，相當令人滿意。我沒有試過其它編碼的文件是否能正常運行，但想來應該是不錯的。
同樣的代碼在windows的控制臺試演過，也沒有任何問題。
1.4 Windows Eclipse
在Eclipse中處理中文更加困難，因為在Eclipse中，編寫代碼和運行代碼屬于不同的窗口，而且他們可以有不同的默認編碼。對于如下代碼：
#!/usr/bin/python
# -*- coding: utf-8 -*-
s = "哈哈"
ss = u'哈哈'
print repr(s)
print repr(ss)
print s.decode('utf-8').encode('gbk')
print ss.encode('gbk')
print s.decode('utf-8')
print ss
前四個print運行正常，最后兩個print都會拋出異常：
'\xe5\x93\x88\xe5\x93\x88'
u'\u54c8\u54c8'
哈哈
哈哈
Traceback (most recent call last):
File "E:\Workspace\Eclipse\TestPython\Test\test_encoding_2.py", line 13, in <module>
print s.decode('utf-8')
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)
也就是說，GBK編碼的str對象可以正常打印，但是不能打印UNICODE編碼的unicode對象。在源文件上點擊“Run as”“Run”，然后在彈出對話框中選擇“Common”：
 可以看出Eclipse控制臺的缺省編碼方式是GBK；所以不支持UNICODE也在情理之中。如果把文件中的coding修改成GBK，則可以直接打印GBK編碼的str對象，比如s。
如果把源文件的編碼設置成“UTF-8”，把控制臺的編碼也設置成“UTF-8”，按道理說打印的時候應該沒有問題。但是實驗表明，在打印UTF-8編碼的str對象時，中文的最后一個字符會顯示成亂碼，無法正常閱讀。不過我已經很滿足了，至少人家沒有拋異常不是:)
BTW: 使用的Eclipse版本是3.2.1。
1.5 從文件讀取中文
在window下面用記事本編輯文件的時候，如果保存為UNICODE或UTF-8，分別會在文件的開頭加上兩個字節(jié)“\xFF\xFE”和三個字節(jié)“\xEF\xBB\xBF”。在讀取的時候就可能會遇到問題，但是不同的環(huán)境對這幾個多于字符的處理也不一樣。
以windows下的控制臺為例，用記事本保存三個不同版本的“哈哈”。
打開utf-8格式的文件并讀取utf-8字符串后，解碼變成unicode對象。但是會把附加的三個字符同樣進行轉換，變成一個unicode字符，字符的數據值為“\xFF\xFE”。這個字符不能被打印。編碼的時候需要跳過這個字符。  打開unicode格式的文件后，得到的字符串正確。這時候適用utf-16解碼，能得到正確的unicdoe對象，可以直接使用。多余的那個填充字符在進行轉換時會被過濾掉。
 打開ansi格式的文件后，沒有填充字符，可以直接使用。
結論：讀寫使用python生成的文件沒有任何問題，但是在處理由notepad生成的文本文件時，如果該文件可能是非ansi編碼，需要考慮如何處理填充字符。
1.6 在數據庫中使用中文
剛剛接觸Python，我用的數據庫是mysql。在執(zhí)行插入、查找等操作時，如果運行環(huán)境使用的字符編碼和mysql不一致，就可能導致運行時的錯誤。當然，和上面看到的情況一樣，運行環(huán)境并不是關鍵因素，關鍵是查詢語句的編碼方式。如果在每次執(zhí)行查詢操作時都把查詢字符串做一次編碼轉換，轉變成mysql的默認字符編碼，一樣不會遇到問題。但是這樣寫代碼也太痛苦了吧。
使用如下代碼連接數據庫：
self.conn = MySQLdb.connect(use_unicode = 1, charset='utf8', **server)
我不能理解的是既然數據庫用的默認編碼是UTF-8，我連接的時候也用的是UTF-8，為什么查詢得到的文本內容卻是UNICODE編碼（unicode對象）？這是MySQLdb庫的設置么？
1.7 在XML中使用中文
使用xml.dom.minidom和MySQLdb類似，對生成的dom對象調用toxml方法得到的是unicode對象。如果希望輸出utf-8文本，有兩種方法：
1．使用系統(tǒng)函數
在輸出xml文檔的時候進行編碼，這是我覺得最好的方法。
xmldoc.toxml(encoding=’utf-8’)
xmldoc.writexml(outfile, encoding = ‘utf-8’)
2．自己編碼生成
在使用toxml之后可以調用encode方法對文檔進行編碼。但這種方法無法得到合適的xml declaration（xml文檔第一行中的encoding部分）。
不要嘗試通過xmldoc.createProcessingInstruction來創(chuàng)建一個processing instraction：
<?xml version=’1.0’ encoding=’utf-8’?>
xml declaration雖然看起來像是，但是事實上并不是一個processing instraction?？梢酝ㄏ旅娴姆椒ǖ玫揭粋€滿意的xml文件：
print >> outfile, “<?xml version=’1.0’ encoding=’utf-8’?>”
print >> outfile, xmldoc.toxml().encode(‘utf-8’)[22:] 其中第二行需要過濾掉在調用xmldoc.toxml時生成的“<?xml version=’1.0’ ?>”，它的長度是22。 相面是兩種方法的用法比較：
 另外，在IDLE的shell中，不要用 u’中文’ 對屬性進行賦值。上面討論過，這樣得到的unicode字符串不正確。
|
|
|
