python与编码

Python中的文字对象

Python 3.x中处理文字的对象有str, bytes, bytearray。

• bytes和bytearray可以使用除了用作格式化的方法(format, format_map)以及几个特殊的基于Unicode的方法(casefold, isdecimal, isidentifier, isnumeric, isprintable, encode)以外几乎所有str的方法。
• bytes有一个类方法，可以通过序列来构建字符串，而这个方法不可以用在str上。

>>> b = bytes.fromhex('E4 B8 AD')
>>> b
b'\xe4\xb8\xad'
>>> b.decode('utf-8')
'中'
>>> str(b)
"b'\\xe4\\xb8\\xad'"

Unicode和字符转换

采用chr可以把一个Unicode的code point转换为字符，通过ord可以进行反向操作。

>>> ord('A')
65
>>> ord('中')
20013
>>> chr(65)
'A'
>>> chr(20013)
'中'

len函数计算的是字符数，不是字节数

>>> len('中')
1
>>> '中'.encode('utf-8')
b'\xe4\xb8\xad'
>>> len('中'.encode('utf-8'))    #计算的是bytes对象的长度，包含3个整数字符
3

Python与编码

Python内部处理编码的方式

在Python接受我们的输入时，总是会先转为Unicode。而且这个过程越早越好。

然后Python的处理总是对Unicode进行的，在这个过程中，一定不要进行编码转换的工作。

在Python向我们返回结果时，总是会从Unicode转为我们需要的编码。而且这个过程越晚越好。

Python源码的编码方式

Python默认使用utf-8编码。

如果想使用一种不同的编码方式来保存Python代码，我们可以在每个文件的第一行或者第二行(如果第一行被hash-bang命令占用了)放置编码声明(encoding declaration)

# ‐*‐ coding: windows‐1252 ‐*‐

Python中使用的编码

C:\Users\JL>chcp        #查找操作系统使用的编码
Active code page: 936
>>> import sys, locale
>>> locale.getpreferredencoding()    #这个是最重要的
'cp936'
>>> my_file = open('cafe.txt','r')
>>> type(my_file)
<class '_io.TextIOWrapper'>
>>> my_file.encoding    #文件对象默认使用locale.getpreferreddecoding()的值
'cp936'
>>> sys.stdout.isatty(), sys.stdin.isatty(), sys.stderr.isatty()    #output是否是控制台console
(True, True, True)
>>> sys.stdout.encoding, sys.stdin.encoding, sys.stderr.encoding    #sys的标准控制流如果被重定向，或者定向到文件，那么编码将使用环境变量PYTHONIOENCODING的值、控制台console的编码、或者locale.getpreferredencoding()的编码，优先级依次减弱。
('cp936', 'cp936', 'cp936')
>>> sys.getdefaultencoding()    #如果Python需要把二进制数据转为字符对象，那么在缺省情况下使用该值。
'utf-8'
>>> sys.getfilesystemencoding()    #Python用来编码或者解码文件名(不是文件内容)的时候，默认使用该编码。
'mbcs'

以上是在Windows中的测试结果，如果在GNU/Linux或者OSX中，那么所有的结果都是UTF-8.

关于mbcs和utf-8的区别，可以参考http://stackoverflow.com/questions/3298569/difference-between-mbcs-and-utf-8-on-windows

文件读写的编码

>>> pen('cafe.txt','w',encoding='utf-8').write('café')
4
>>> fp = open('cafe.txt','r')
>>> fp.read()
'caf茅'
>>> fp.encoding
'cp936'
>>> open('cafe.txt','r', encoding = 'cp936').read()
'caf茅'
>>> open('cafe.txt','r', encoding = 'latin1').read()
'café'
>>> fp = open('cafe.txt','r', encoding = 'utf-8')
>>> fp.encoding
'utf-8'

从上面的例子可以看出，无论什么时候都不要使用默认的编码，因为在不同的机器上运行的时候会出现意想不到的问题。

Python如何处理来自Unicode的麻烦

Python总是通过code point来比较字符串的大小，或者是否相等的。

• Unicode中重音符号有两种表示方法，用一个字节表示，或者用基字母加上重音符号表示，在Unicode中他们是相等的，但是在Python中由于通过code point来比较大小，所以就不相等了。

>>> c1 = 'cafe\u0301'
>>> c2 = 'café'
>>> c1 == c2
False
>>> len(c1), len(c2)
(5, 4)

解决方法是通过unicodedata库中的normalize函数，该函数的第一个参数可以接受"NFC",'NFD','NFKC','NFKD'四个参数中的一个。

NFC(Normalization Form Canonical Composition)：以标准等价方式来分解，然后以标准等价重组之。若是singleton的话，重组结果有可能和分解前不同。尽可能的缩短整个字符串的长度，所以会把'e\u0301'2个字节压缩到一个字节'é'。

NFD(Normalization Form Canonical Decomposition)：以标准等价方式来分解

NFKD(Normalization Form Compatibility Decomposition)：以相容等价方式来分解

NFKC(Normalization Form Compatibility Composition)：以相容等价方式来分解，然后以标准等价重组之。

NFKC和NFKD可能会引起数据损失。

from unicodedata import normalize
>>> c3 = normalize('NFC',c1)        #把c1往字符串长度缩短的方向操作
>>> len(c3)
4
>>> c3 == c2
True
>>> c4 = normalize('NFD',c2)
>>> len(c4)
5
>>> c4 == c1
True

西方的键盘通常会键入尽可能短的字符串，也就是说和"NFC"的结果一致，但是通过"NFC"来操作一下再比较字符串是否相等比较安全。且W3C建议使用"NFC"的结果。

• 同样的一个字符在Unicode中有两个不同的编码。
  
  该函数会把一个单一的Unicode字符转为另一个Unicode字符。

>>> o1 = '\u2126'
>>> o2 = '\u03a9'
>>> o1, o2
('Ω', 'Ω')
>>> o1 == o2
False
>>> name(o1), name(o2)
('OHM SIGN', 'GREEK CAPITAL LETTER OMEGA')
>>> o3 = normalize('NFC',o1)
>>> name(o3)
'GREEK CAPITAL LETTER OMEGA'
>>> o3 == o2
True

又比如

>>> u1 = '\u00b5'
>>> u2 = '\u03bc'
>>> u1,u2
('µ', 'μ')
>>> name(u1), name(u2)
('MICRO SIGN', 'GREEK SMALL LETTER MU')
>>> u3 = normalize('NFKD',u1)
>>> name(u3)
'GREEK SMALL LETTER MU'

再一个例子

>>> h1 = '\u00bd'
>>> h2 = normalize('NFKC',h1)
>>> h1, h2
('½', '1⁄2')
>>> len(h1), len(h2)
(1, 3)

• 有时候我们希望使用不区分大小写的形式进行比较
  
  使用方法str.casefold()，该方法会把大写字母转换为小写进行比较，比如'A'会转为'a'，'MICRO SIGN'的'µ'会转换为'GREEK SMALL LETTER MU'的'µ'
  
  在绝大部分(98.9%)情况下str.casefold()和str.lower()的结果一致。

• 文字排序
  
  由于不同的语言规则，如果单纯按照Python的比较code point的方式进行，那么会出现很多不是用户期望的结果。
  
  通常采用locale.strxfrm进行排序。

>>> import locale
>>> locale.setlocale(locale.LC_COLLATE,'pt_BR.UTF-8')
'pt_BR.UTF-8'
>>> sort_result = sorted(intial, key = locale.strxfrm)

编码解码错误

如果是Python源码中出现了解码错误，那么会产生SyntaxError异常。

其他情况下，如果发现编码解码错误，那么会产生UnicodeEncodeError, UnicodeDecodeError异常。

几个摘自fluent python中的有用方法

from unicodedata import normalize, combining
def nfc_equal(s1, s2):
    '''return True if string s1 is eual to string s2 after normalization under "NFC" '''
    return normalize("NFC",s1) == normalize("NFC",s2)

def fold_equal(s1, s2):
    '''return True if string s1 is eual to string s2 after normalization under "NFC" and casefold()'''
    return normalize('NFC',s1).casefold() == normalize('NFC',s2).casefold()

def shave_marks(txt):
    '''Remove all diacritic marks
    basically it only need to change Latin text to pure ASCII, but this func will change Greek letters also
    below shave_latin_marks func is more precise'''

    normal_txt = normalize('NFD',txt)
    shaved = ''.join(c for c in normal_txt if not combining(c))
    return normalize('NFC',shaved)

def shave_latin_marks(txt):
    '''Remove all diacritic marks from Latin base characters'''
    normal_txt = normalize('NFD',txt)
    keeping = []
    latin_base=False
    for c in normal_txt:
        if combining(c) and latin_base:
            continue    #Ingore diacritic marks on Latin base char
        keeping.append(c)
        #If it's not combining char, it should be a new base char
        if not combining(c):
            latin_base = c in string.ascii_letters

编码探嗅Chardet

这是Python的标准模块。

参考资料：

1. http://blog.csdn.net/tcdddd/article/details/8191464