Python专题教程:字符串和字符编码

版本:v1.2.1

Crifan Li

摘要

本文是针对Python的中级开发人员,介绍Python中的字符串和字符编码方面的知识,主要包括Python 2.x的str和unicode以及Python 3.x的bytes和str,Python中常见字符编码和解码方面的错误及其解决办法,以及其他一些常见的字符串方面的处理,比如格式化为树形输出,HTML的Entity实体等等

[提示] 本文提供多种格式供:
在线阅读 HTML HTMLs PDF CHM TXT RTF WEBHELP
下载(7zip压缩包) HTML HTMLs PDF CHM TXT RTF WEBHELP

HTML版本的在线地址为:

http://www.crifan.com/files/doc/docbook/python_topic_str_encoding/release/html/python_topic_str_encoding.html

有任何意见,建议,提交bug等,都欢迎去讨论组发帖讨论:

http://www.crifan.com/bbs/categories/python_topic_str_encoding/

2015-05-26

修订历史
修订 1.2.1 2015-05-26 crl
  1. 把之前教程的地址整理过来
  2. 添加新帖子的链接
  3. 增加新的章节:总结

目录

前言
1. 本文目的
2. 前提
1. Python 2.x的str和unicode vs. Python 3.x的bytes和str
2. Python中常见字符编码和解码方面的错误及其解决办法
2.1. Python中的 UnicodeEncodeError
2.1.1. 如果打印显示终端中字符编码不支持所打印字符的话,也会出现错误UnicodeEncodeError
2.1.2. 在处理中文简体和中文繁体的的时候,使用目标编码中不存在的中文字符,也会导致UnicodeEncodeError
2.2. str的解码decode
3. Python中常见的字符串和编码等相关的处理
3.1. Python中的反斜杠u类型(\uXXXX)的字符串
3.2. Python中字符串的格式化
3.3. Python中处理HTML
参考书目

表格清单

2.1. ”电脑“和”電腦“所对应的Unicode值

前言

1. 本文目的

本文目的在于,通过此文,对于Python中的字符串和字符编码方面的知识,有个系统的了解。

以及了解Python中常见的字符编码方面的问题,背后的逻辑,以及如何解决。

2. 前提

在学习Python中的字符编码方面的内容之前,需要自己本身已经对于字符串编码本身的基础知识,比较了解,然后才能真正明白Python中的字符编码是怎么回事。

如果不了解字符编码,请先去参考:

字符编码详解

第 1 章 Python 2.x的str和unicode vs. Python 3.x的bytes和str

摘要

第 2 章 Python中常见字符编码和解码方面的错误及其解决办法

摘要

2.1. Python中的 UnicodeEncodeError

Python中很容易出现一些关于编码方面的错误。

其中,最常见的一个就是UnicodeEncodeError

下面,总结一下各种出现的原因,以及相应的解决办法。

2.1.1. 如果打印显示终端中字符编码不支持所打印字符的话,也会出现错误UnicodeEncodeError

Python中的编码问题,的确很容易让人头疼。

之前已经遇到过N个类似的UnicodeEncodeError,并且也都一一解决了。

但是今天又遇到一个:

UnicodeEncodeError: 'gbk' codec can't encode character u'\u2665' in position 160: illegal multibyte sequence

最后发现,原来是在用:

print "footerUni=",footerUni;

去打印此unicode类型的字符串footerUni,由于其中包含一些字符,其无法在当前命令行下的GBK编码环境中找到对应字符,所以才报了以上的错误的。

所以,真的是,对于Python中的字符编码方面,连使用print都要小心。

在这点上,真的很让人无语。。。

2.1.2. 在处理中文简体和中文繁体的的时候,使用目标编码中不存在的中文字符,也会导致UnicodeEncodeError

在一个UTF-8的Python文件中,有如下代码:

str = '电脑';
......
goods.append(urllib.quote(str.decode('utf-8').encode('big5')));
        

此时,就会出现错误:

UnicodeEncodeError: 'big5' codec can't encode character u'\u7535' in position 0: illegal multibyte sequence

此问题的原因在于,对于所输入的str类型的中文简体字符”电脑“来说,虽然通过str.decode('utf-8')可以获得了Unicode的中文简体字符”电脑“

但是将此Unicode类型的,简体中文字符”电脑“,去进行BIG5编码的时候,结果由于BIG5编码中,根本就不存在上述这两个简体中文的汉字”电脑“,由此出现上述UnicodeEncodeError的错误。

即,无法将简体中文的”电脑“,从Unicode转换为BIG5编码,因为BIG5编码字符集中,就不存在”电脑“这两个字符。

对此问题,详细去探究,就可以更了解中文简体和中文繁体之间的差别。

此处,先来明确一下我们的目标,即,希望是在BIG5编码中,能显示”电脑“这两个字符。

而对于BIG5编码所对应的所有字符,可以去Big5 (Traditional Chinese) character code table中查找

我们会发现,BIG5编码中,根据就找不到这两个字符。

那如何才能让”电脑“这两个字符,在繁体中显示呢?

那就需要,将中文简体的”电脑“,去先转换为对应的中文繁体字,然后就可以编码为BIG5,可以显示了。

而关于中文简体和中文繁体之间的转换,可以去这里:

简繁转换

进入该网站后,输入”电脑“,然后点击”TW Unicode“或”TW BIG“,就可以转换为对应的繁体字”電腦“了。

很明显,”電腦“这两个中文繁体字,那肯定是能在Big5 (Traditional Chinese) character code table中找到的

而对应的,这几个中文字符所对应的Unicode的值,可以去Unicode Lookup查到。

此处整理如下:

表 2.1. ”电脑“和”電腦“所对应的Unicode值

Unicode character Oct Dec Hex HTML
电 cjk unified ideograph 7535 072465 30005 0x7535 电
脑 cjk unified ideograph 8111 0100421 33041 0x8111 脑
電 cjk unified ideograph 96fb 0113373 38651 0x96FB 電
腦 cjk unified ideograph 8166 0100546 33126 0x8166 腦

此处,“电”所对应的Unicode值为7535,Unicode写法为\u7535,就是对应着上述出错的内容中所指示的,

BIG5编码器,无法对于Unicode为\u7535的字符进行编码,即BIG5无法编码“电”,因为其本身就没这个字符。

对应的,如果用GB2312/GBK/GB18030去编码“电”,那么肯定是可以的,但是肯定也是无法编码“電”的。

所以,对于中文简体和繁体之间,如果想要正确显示,需要先转换为对应繁体或简体,然后才能用正确的编码,去解析其所支持的字符的。

而有人看到这里,可能会疑惑了,因为比如对于有些中文字符,比如“手机”,

虽然没有去用什么简体转换为繁体,而直接用上述BIG5去编码,会发现程序可以正常执行,不会出现那个UnicodeEncodeError的

对此,你去简繁转换中搜一下“手”和“机”这两个汉字,发现BIG5编码中,也的确是存在这两个汉字的,

所以原因就很清楚了:对于有些字符,中文简体和中文繁体的写法,是一样的,所以才可以在GB212/GBK/GB18030和BIG5之间来回转换,而不会出现问题。

换句话说,如果你想要在BIG5编码中显示(编码)某个中文简体的话,那前提要确保该字符是可以在简繁转换中能查找到的。

否则,说明BIG5中没有改汉字,需要用到简繁转换去先进行简繁体转换,得到转换后的繁体字后,才能得到BIG5编码的字符,用BIG5去编解码,去显示对应的繁体中文。

上述步骤,很明显,可以省略了去BIG5编码表中查找,而直接利用上述简繁体转换的网站去实现转换,或者本地建立一个转换表,直接从输入的中文简体,得到输出的中文繁体,即可继续后续处理,而无需关注,在简体和繁体中,哪些是一样的写法,哪些是不一样的写法。

2.2. str的解码decode

decode函数,是str类型变量本身就有的函数,用于实现将某种编码的字符,解码为Unicode类型字符。

将某种编码的str字符解码为Unicode字符,通常做法为:

defCmtCharset = "GB18030";
dataJsonStrUni = dataJsonStr.decode(defCmtCharset);
    

不过,上述用法,是在你知道了字符编码的前提下,才能这么做的。

如果是对于输入的字符串,可能是多种不同的编码,即无法确定输入字符编码的前提下,想要对其解码的话,可以这么实现:

先利用chardet判断字符编码类型,然后再去解码:

possibleCharset = crifanLib.getStrPossibleCharset(dataJsonStr);
dataJsonStrUni = dataJsonStr.decode(possibleCharset);
    

其中getStrPossibleCharset是我自己写的函数

详见:getStrPossibleCharset函数详解

但是,有时候,你会发现,即使如此,也可能遇到decode失败的情况。

因为有时候所输入的字符串,本身不完全是某种单一的编码,而是2种或更多种不同的编码的混合体,此时,此处通过getStrPossibleCharset中的chardet所得到的值,就未必是0.99,而可能是某个很低的值,比如0.6,此时用此编码去解码,就可能遇到失败的情况了。

这种变态的,多种编码混合的字符串,我之前就在折腾给BlogsToWordpress添加QQ空间支持的过程中,处理QQ空间帖子的评论数据中,就遇到过。

当时很是郁闷,无法有效解决此问题,导致对于有些帖子的评论数据,无法继续处理。

直到后来,直到对于decode函数来说,还有个ignore参数,可以实现,在解码过程中,对于那些(用当前编码)无法解码的,不支持的字符,采取忽略的策略,而使得不会出现解码失败,然后最终可以成功解码整个字符串。

对应的函数详细解释,在Python的帮助文档中可以找到:

str.decode([encoding[, errors]]). Decodes the string using the codec registered for encoding. encoding defaults to the default string encoding. errors may be given to set a different error handling scheme. The default is 'strict', meaning that encoding errors raise UnicodeError. Other possible values are 'ignore', 'replace' and any other name registered via codecs.register_error(), see section Codec Base Classes.New in version 2.2.Changed in version 2.3: Support for other error handling schemes added.Changed in version 2.7: Support for keyword arguments added.

然后,上述的代码,改为:

defCmtCharset = "GB18030";
dataJsonStrUni = dataJsonStr.decode(defCmtCharset, 'ignore');
    

即可实现,对于绝大多数的GB18030的中文字符,都可以正确解码为Unicode字符了。

即使遇到一些变态的混合型编码的字符(比如其中一部分是ISO-8859-2编码,其他部分是其他的某种编码),也不会出现decode出错,而使得代码可以继续运行了。

当然,需要注意一点的是,我这里,其中被ignore的个别特殊字符,由于是在评论的数据中的个别特殊字符,所以不重要,忽略了也无所谓,所以才可以使用ignore参数的。要是你的代码中,不允许忽略任何内容,那你就得想其他办法了。

第 3 章 Python中常见的字符串和编码等相关的处理

摘要

3.1. Python中的反斜杠u类型(\uXXXX)的字符串

参考书目