python 字符编码问题

原因

近期，用Python处理一些中文的字符串，但是用Python读取文件的中文字符和在代码中输入的中文字符，在判断处理时，例如判断“相等”或者“包含”，总是不能判断，相等或者包含都不起作用。看了字符的编码，源文件输入的中文字符，是2个字节表示，读入的文件，是3个字节表示。在网上找了很多资料，大多和我的问题不想关，这里就根据自己的领悟和网上不错的资源跟大家分享一下。

问题分析

不要把Python和Java混淆，Python是脚本语言，不会编译生成可执行文件，而Java会编译代码，形成可执行的class文件，在编码上，Java会在形成class的时候，采用Unicode直接编码类似中文的字符串，而Python，你即使在文件的第一行声明了编码，有时我也感觉不起作用，只是不会在保存时，重复提醒你在代码中使用的特殊字符。

网上有很多decode，encode，看的我一阵头大，以前不知为何物，这里解释一下：字符串在Python内部的表示，都是以Unicode形式，所以在做编码转换时，都是以Unicode作为中间形式；而将其他编码转化为Unicode的过程，成为decode，将Unicode转化成其他编码的过程，成为encode。在源代码中，你输入的，是你编辑器默认的编码，可能是utf-8,，也可能是gbk或者其他编码，所以写代码，你要明白你的编辑器环境的编码方式。在这里我就是我刚装不久Python，用的是默认的IDE，里面没有设置编码，导致源码中采用了Windows默认的编码“gbk”（2个字节），而我读入的文件则是utf-8表示（三个字节）。而在Python中，它不会自动将这些字符串转成Unicode形式，采用的是什么编码，就是什么编码。所以在比较或者包含时，编辑器里的中文是两个字节，读入的文件，是三个字节，编码格式就不一样，更不要谈比较或者包含了。

解决方法

知道了问题出在哪，那就好解决了。

方法一：我直接将编辑器环境在设置里面，设置成utf-8，解决问题了。

方法二：对于编辑器里写的中文编码和读取的文件的编码，都decode成Unicode形式。

方法三：通过Unicode形式，转化成一种编码格式，utf-8或者gbk（个人建议utf-8，代码中属于比较默认一类的）.

s1 = unicode('你好','gbk')  #这里是window是环境，输入的要通过gbk进行Unicode

s2 = unicode(input, 'utf-8') #读入的文件为utf-8，要使用utf-8

#或者用方法二中直接采用 decode，大家可以自己找找，自主学习和实践，是每个IT人必须的

附加

注意一下：window中文默认的是gbk，而Linux默认的一般都是utf-8,这个在编码或者处理字符处理，或者文本处理时，要注意，出了问题可能不是代码的问题。

如果想着更多了解Unicode，utf-8或者其他编码，推荐看看一个博主的博客，《字符编码的发展历程》，博文地址：http://blog.csdn.net/sfdev/article/details/3770706。

我一般写博客都是自己用来记住犯过的错，写的不多，也不会写太多，见谅。文字太多，图片较少，这是大部分IT人最不愿看到的，但是要做个“耐心”的IT人，以此警醒。