精华内容
下载资源
问答
  • python中decode()函数函数的用法

    万次阅读 2018-10-12 22:09:56
    python字符串函数用法大全链接 decode()函数 描述:以 encoding 指定的编码格式解码字符串,默认编码为字符串编码。 encoding ——要使用的编码,如:utf-8,gb2312,cp936,gbk等。 errors ——设置不同...

    python字符串函数用法大全链接

    decode()函数

    描述:以 encoding 指定的编码格式解码字符串,默认编码为字符串编码。

    • encoding ——要使用的编码,如:utf-8,gb2312,cp936,gbk等。

    • errors ——设置不同解码错误的处理方案。默认为 'strict',意为编码错误引起一个 UnicodeDecodeError。 其它可能得值有 'ignore', 'replace'以及通过 codecs.register_error() 注册的1其它值。

    语法:str.decode(encoding='utf-8', errors='strict')

    程序示例:

    s = "我爱祖国"
    str1 = s.encode(encoding="utf-8",errors="strict")
    str2 = s.encode("gb2312") #编码错误的处理方案默认为"strict"
    str3 = s.encode("gbk")
    print(str1.decode(encoding="utf-8",errors="strict"))#用utf-8的解码格式,解码str1.
    print(str1.decode(encoding="gbk",errors="ignore"))##如果以gbk的解码格式对str1进行解码得,将无法还原原来的字符串内容
    print(str1.decode(encoding="gbk",errors="strict"))
    print(str1.decode(encoding="gbk",errors="replace"))
    print("\n")
    print(str2.decode("gb2312"))
    print(str3.decode("gbk"))

    程序运行结果:

    我爱祖国
    鎴戠埍绁栧浗
    鎴戠埍绁栧浗
    鎴戠埍绁栧浗
    
    
    我爱祖国
    我爱祖国

    注:在python中encodedecode分别指编码和解码

    展开全文
  • [img=https://img-bbs.csdn.net/upload/202011/12/1605175622_61960.png][/img]
  • python encode和decode函数说明 字符串编码常用类型:utf-8,gb2312,cp936,gbk等。 python中,我们使用decode()和encode()来进行解码和编码 在python中,使用unicode类型作为编码的基础类型。即  decode...

    python encode和decode函数说明

    字符串编码常用类型:utf-8,gb2312,cp936,gbk等。

    python中,我们使用decode()和encode()来进行解码和编码

    在python中,使用unicode类型作为编码的基础类型。即

         decode              encode

    str ---------> unicode --------->str

    u = u'中文' #显示指定unicode类型对象u
    str = u.encode('gb2312') #以gb2312编码对unicode对像进行编码
    str1 = u.encode('gbk')
    #以gbk编码对unicode对像进行编码
    str2 = u.encode('utf-8') #以utf-8编码对unicode对像进行编码 u1 = str.decode('gb2312')#以gb2312编码对字符串str进行解码,以获取unicode u2 = str.decode('utf-8')#如果以utf-8的编码对str进行解码得到的结果,将无法还原原来的unicode类型

    如上面代码,str\str1\str2均为字符串类型(str),给字符串操作带来较大的复杂性。

    好消息来了,对,那就是python3,在新版本的python3中,取消了unicode类型,代替它的是使用unicode字符的字符串类型(str),字符串类型(str)成为基础类型如下所示,而编码后的变为了字节类型(bytes)但是两个函数的使用方法不变:

         decode              encode

    bytes ------> str(unicode)------>bytes

    u = '中文' #指定字符串类型对象u
    str = u.encode('gb2312') #以gb2312编码对u进行编码,获得bytes类型对象str
    u1 = str.decode('gb2312')#以gb2312编码对字符串str进行解码,获得字符串类型对象u1
    u2 = str.decode('utf-8')#如果以utf-8的编码对str进行解码得到的结果,将无法还原原来的字符串内容

    避免不了的是,文件读取问题:

    假如我们读取一个文件,文件保存时,使用的编码格式,决定了我们从文件读取的内容的编码格式,例如,我们从记事本新建一个文本文件test.txt, 编辑内容,保存的时候注意,编码格式是可以选择的,例如我们可以选择gb2312,那么使用python读取文件内容,方式如下:

    复制代码
    f = open('test.txt','r')
    s = f.read() #读取文件内容,如果是不识别的encoding格式(识别的encoding类型跟使用的系统有关),这里将读取失败
    '''假设文件保存时以gb2312编码保存'''
    u = s.decode('gb2312') #以文件保存格式对内容进行解码,获得unicode字符串
    '''下面我们就可以对内容进行各种编码的转换了'''
    str = u.encode('utf-8')#转换为utf-8编码的字符串str
    str1 = u.encode('gbk')#转换为gbk编码的字符串str1
    str1 = u.encode('utf-16')#转换为utf-16编码的字符串str1
    复制代码

    python给我们提供了一个包codecs进行文件的读取,这个包中的open()函数可以指定编码的类型:

    import codecs
    f = codecs.open('text.text','r+',encoding='utf-8')#必须事先知道文件的编码格式,这里文件编码是使用的utf-8
    content = f.read()#如果open时使用的encoding和文件本身的encoding不一致的话,那么这里将将会产生错误
    f.write('你想要写入的信息')
    f.close()

    知识点:编码格式,下面放一下,文件编码的格式介绍(转来的):

    文件编码格式

    从文件编码的方式来看,文件可分为ASCII码文件和二进制码文件两种。

    ASCII文件也称为文本文件,这种文件在磁盘中存放时每个字符对应一个字节,用于存放对应的ASCII码。例如,数5678的存储形式为:
    ASC码:  00110101 00110110 00110111 00111000
         ↓     ↓    ↓    ↓
    十进制码: 5     6    7    8 共占用4个字节。ASCII码文件可在屏幕上按字符显示, 例如源程序文件就是ASCII文件,用DOS命令TYPE可显示文件的内容。 由于是按字符显示,因此能读懂文件内容。

    二进制文件是按二进制的编码方式来存放文件的。 例如, 数5678的存储形式为: 00010110 00101110只占二个字节。二进制文件虽然也可在屏幕上显示,但其内容无法读懂。C系统在处理这些文件时,并不区分类型,都看成是字符流,按字节进行 处理。输入输出字符流的开始和结束只由程序控制而不受物理符号(如回车符)的控制。 因此也把这种文件称作“流式文件”。

    UCS-2编码(16进制) UTF-8 字节流(二进制)
    0000 - 007F 0xxxxxxx
    0080 - 07FF 110xxxxx 10xxxxxx
    0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx
    问题一:

    使用Windows记事本的“另存为”,可以在GBK、Unicode、Unicode big endian和UTF-8这几种编码方式间相互转换。同样是txt文件,Windows是怎样识别编码方式的呢?

    我很早前就发现Unicode、Unicode big endian和UTF-8编码的txt文件的开头会多出几个字节,分别是FF、FE(Unicode),FE、FF(Unicode big endian),EF、BB、BF(UTF-8)。但这些标记是基于什么标准呢?

    问题二:
    最近在网上看到一个ConvertUTF.c,实现了UTF- 32、UTF-16和UTF-8这三种编码方式的相互转换。对于Unicode(UCS2)、 GBK、UTF-8这些编码方式,我原来就了解。但这个程序让我有些糊涂,想不起来UTF-16和UCS2有什么关系。

    查了查相关资料,总算将这些问题弄清楚了,顺带也了解了一些Unicode的细节。写成一篇文章,送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂,但要求读者知道什么是字节,什么是十六进制。

    0、big endian和little endian

    big endian和little endian是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时,究竟是将6C写在前面,还是将49写在前 面?如果将6C写在前面,就是big endian。还是将49写在前面,就是little endian。

    “endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开,由此曾发生过六次叛乱,其中一个皇帝送了命,另一个丢了王位。

    我们一般将endian翻译成“字节序”,将big endian和little endian称作“大尾”和“小尾”。

    1、字符编码、内码,顺带介绍汉字编码

    字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期的计算机使用7位的ASCII编码,为了处理汉字,程序员设计了用于简体中文的GB2312和用于繁体中文的big5。

    GB2312(1980年)一共收录了7445个字符,包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7,低字节从A1-FE,占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。

    GB2312 支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号,它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的 GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字,同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的PC平 台必须支持GB18030,对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

    从ASCII、 GB2312、GBK到GB18030,这些编码方法是向下兼容的,即同一个字符在这些方案中总是有相同的编码,后面的标准支持更多的字符。在这些编码 中,英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼,GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。

    有的中文Windows的缺省内码还是GBK,可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符,普通人是很难用到的,通常我们还是用GBK指代中文Windows内码。

    这里还有一些细节:

    • GB2312的原文还是区位码,从区位码到内码,需要在高字节和低字节上分别加上A0。

    • 在DBCS中,GB内码的存储格式始终是big endian,即高位在前。

    • GB2312 的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以GBK和GB18030的低字节最高位都可能不是1。不过这不影 响DBCS字符流的解析:在读取DBCS字符流时,只要遇到高位为1的字节,就可以将下两个字节作为一个双字节编码,而不用管低字节的高位是什么。

    2、Unicode、UCS和UTF

    前面提到从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的。而Unicode只与ASCII兼容(更准确地说,是与ISO-8859-1兼容),与GB码不兼容。例如“汉”字的Unicode编码是6C49,而GB码是BABA。

    Unicode 也是一种字符编码方法,不过它是由国际组织设计,可以容纳全世界所有语言文字的编码方案。Unicode的学名是"Universal Multiple-Octet Coded Character Set",简称为UCS。UCS可以看作是"Unicode Character Set"的缩写。

    根据维基百科全书(http: //zh.wikipedia.org/wiki/)的记载:历史上存在两个试图独立设计Unicode的组织,即国际标准化组织(ISO)和一个软件制 造商的协会(unicode.org)。ISO开发了ISO 10646项目,Unicode协会开发了Unicode项目。

    在1991年前后,双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果,并为创立一个单一编码表而协同工作。从Unicode2.0开始,Unicode项目采用了与ISO 10646-1相同的字库和字码。

    目前两个项目仍都存在,并独立地公布各自的标准。Unicode协会现在的最新版本是2005年的Unicode 4.1.0。ISO的最新标准是10646-3:2003。

    UCS规定了怎么用多个字节表示各种文字。怎样传输这些编码,是由UTF(UCS Transformation Format)规范规定的,常见的UTF规范包括UTF-8、UTF-7、UTF-16。

    IETF 的RFC2781和RFC3629以RFC的一贯风格,清晰、明快又不失严谨地描述了UTF-16和UTF-8的编码方法。我总是记不得IETF是 Internet Engineering Task Force的缩写。但IETF负责维护的RFC是Internet上一切规范的基础。

    3、UCS-2、UCS-4、BMP

    UCS有两种格式:UCS-2和UCS-4。顾名思义,UCS-2就是用两个字节编码,UCS-4就是用4个字节(实际上只用了31位,最高位必须为0)编码。下面让我们做一些简单的数学游戏:

    UCS-2有2^16=65536个码位,UCS-4有2^31=2147483648个码位。

    UCS -4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256个plane。每个plane根据第3个字节分为 256行 (rows),每行包含256个cells。当然同一行的cells只是最后一个字节不同,其余都相同。

    group 0的plane 0被称作Basic Multilingual Plane, 即BMP。或者说UCS-4中,高两个字节为0的码位被称作BMP。

    将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字节,就得到了UCS-4的BMP。而目前的UCS-4规范中还没有任何字符被分配在BMP之外。

    4、UTF编码

    UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式如下:

    例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间,所以肯定要用3字节模板了:1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是:0110 110001 001001, 用这个比特流依次代替模板中的x,得到:11100110 10110001 10001001,即E6 B1 89。

    读者可以用记事本测试一下我们的编码是否正确。

    UTF -16以16位为单元对UCS进行编码。对于小于0x10000的UCS码,UTF-16编码就等于UCS码对应的16位无符号整数。对于不小于 0x10000的UCS码,定义了一个算法。不过由于实际使用的UCS2,或者UCS4的BMP必然小于0x10000,所以就目前而言,可以认为UTF -16和UCS-2基本相同。但UCS-2只是一个编码方案,UTF-16却要用于实际的传输,所以就不得不考虑字节序的问题。

    5、UTF的字节序和BOM

    UTF -8以字节为编码单元,没有字节序的问题。UTF-16以两个字节为编码单元,在解释一个UTF-16文本前,首先要弄清楚每个编码单元的字节序。例如收 到一个“奎”的Unicode编码是594E,“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”,那么这是“奎”还是 “乙”?

    Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表,而是Byte Order Mark。BOM是一个有点小聪明的想法:

    在UCS 编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符,它的编码是FEFF。而FFFE在UCS中是不存在的字符,所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前,先传输 字符"ZERO WIDTH NO-BREAK SPACE"。

    这样如果接收者收到FEFF,就表明这个字节流是Big-Endian的;如果收到FFFE,就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。

    UTF -8不需要BOM来表明字节顺序,但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF(读者可以用我们前面介绍的编码方法验证一下)。所以如果接收者收到以EF BB BF开头的字节流,就知道这是UTF-8编码了。

    Windows就是使用BOM来标记文本文件的编码方式的。

    6、进一步的参考资料

    本文主要参考的资料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。

    我还找了两篇看上去不错的资料,不过因为我开始的疑问都找到了答案,所以就没有看:

    1. "Understanding Unicode A general introduction to the Unicode Standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)
    2. "Character set encoding basics Understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)

     

    展开全文
  • Python中encode/decode函数中的errors入参

    千次阅读 2015-04-15 09:36:28
    Python中encode/decode函数中的errors入参经常使用这两个函数,errors都是默认strict。这次遇到文本中存在多个编码字符情况,做了很多努力,最后发现只需修改strict默认参数,使用errors=’replace’可以很好的解决...

    Python中encode/decode函数中的errors入参

    经常使用这两个函数,errors都是默认strict。这次遇到文本中存在多个编码字符情况,做了很多努力,最后发现只需修改strict默认参数,使用errors=’replace’可以很好的解决这个问题。

    展开全文
  • 下面说说python2/3的encode和decode函数python2,使用decode()和encode()来进行解码和编码,以unicode类型作为中间类型。即 decode encodestr ---------> unicode --------->str 示例(注意encod...

    python中文处理相信迷惑过不少同学。下面说说python2/3的encode和decode函数。

    python2中,使用decode()和encode()来进行解码和编码,以unicode类型作为中间类型。即
        decode             encode
    str ---------> unicode --------->str

    示例(注意encode和decode的编码必须保持一致):

    u = u'中文'                       #unicode对象u
    gb2312_str = u.encode('gb2312')           #gb2312编码字符串
    gbk_str = u.encode('gbk')               #gbk编码字符串
    utf8_str = u.encode('utf-8')              #utf-8编码字符串
    gb2312_u = gb2312_str.decode('gb2312')     #gb2312编码的unicode
    utf8_u = gb2312_str.decode('utf-8')        #utf-8编码的unicode,此处因为编解码方法不一致将导致无法还原原unicode类型

    python2编解码处理给人的感觉是较复杂。于是在python3中取消了unicode类型,代替以unicode编码的字符串类型str。str和bytes关系如下:
        encode              decode
    str ---------> bytes --------->str

    转载于:https://www.cnblogs.com/tudas/p/python-encode-decode.html

    展开全文
  • python encode和decode函数

    千次阅读 2014-10-14 21:37:40
    python中,我们使用decode()和encode()来进行解码和编码 在python中,使用unicode类型作为编码的基础类型。即  decode encode str ---------> unicode --------->str u = u'中文' #显示指定unicod
  • python encode和decode函数说明 字符串编码常用类型:utf-8,gb2312,cp936,gbk等。 python中,我们使用decode()和encode()来进行解码和编码 在python中,使用unicode类型作为编码的基础类型。即 decode encode ...
  • from:...   字符串编码常用类型:utf-8,gb2312,cp936,gbk等。 python中,我们使用decode()和encode()来进行解码和编码 在python中,使用unicode类型作为编码的基础类型。即  decode
  • python中,我们使用decode()和encode()来进行解码和编码 在python中,使用unicode类型作为编码的基础类型。即  decode encode str ---------> unicode --------->str u = u'中文' #显示指定unic
  • 转自:... 字符串编码常用类型:utf-8,gb2312,cp936,gbk等。 python中,我们使用decode()和encode()来进行解码和编码 在python中,使用unicode类型作为编码的基础类型。即 decode ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 419
精华内容 167
关键字:

python中decode函数

python 订阅