python编码规范总结、python编码转换

所有的 Python 脚本文件都应在文件头标上 #-*- coding:utf8 -*- 。设置编辑器，默认保存为 utf8 格式。

编码

Python核心发布中的代码必须始终使用ASCII或Latin-1编码(又名 ISO-8859-1)，使用ASCII的文件不必有编码cookie，Latin-1仅当注释或文档字符串涉及作者名字需要Latin-1时才被使用：

另外使用\x转义字符是在字符串中包含非ASCII(non-ASCII)数据的首选方法。

作为PEP 263实现代码的测试套件的部分文件是个例外。

导入

通常应该在单独的行中导入(Imports)，例如：

No：import sys， os

Yes：import sys

import os

但是这样也是可以的：

from types import StringType， ListType

Imports 通常被放置在文件的顶部，仅在模块注释和文档字符串之后，在模块的全局变量和常量之前。Imports应该有顺序地成组安放：

1、标准库的导入(Imports )

2、相关的主包(major package)的导入(即，所有的email包在随后导入)

3、特定应用的导入(imports)

你应该在每组导入之间放置一个空行，对于内部包的导入是不推荐使用相对导入的，对所有导入都要使用包的绝对路径。

从一个包含类的模块中导入类时，通常可以写成这样：

from MyClass import MyClass

from foo.bar.YourClass import YourClass

如果这样写导致了本地名字冲突，那么就这样写

import MyClass

import foo.bar.YourClass

即使用"MyClass.MyClass"和"foo.bar.YourClass.YourClass"

【所谓unicode】

unicode是一种类似于符号集的抽象编码，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。也就是它只是一种内部表示，不能直接保存。所以存储时需要规定一种存储形式，比如utf-8和utf-16等。理论上unicode是一种能够容纳全世界所有语言文字的编码方案。（其他编码格式不再多说）

【所谓GB码】

GB就是“国标”的意思，即：中华人民共和国国家标准。GB码是面向汉字的编码，包括GB2312（GB2312-80），GBK，GB18030，表示范围从小到大递增，而且基本是向下兼容的。此外经常遇到一种叫做CP936的编码，实际上可以大概看做是GBK。

【判断编码】

1、使用isinstance(s, str)来判断一个字符串是否为一般字符串（str为ascii类型的字符串，utf-8、utf-16、GB2312、GBK等都是ascii类型的字符串）；

使用isinstance(s, unicode)来判断一个字符串是否为unicode编码形式的字符串（unicode编码的字符串才是unicode类型的字符串）。

2、使用type()或者.__class__

在编码正确的情况下：

例如：stra = "中", 则使用type(stra)的结果是<type 'str'>，表明为ascii类型字符串；

例如：strb = u"中", 则使用type(strb)的结果是<type 'unicode'>，表明为unicode类型字符串。

[python] view plaincopy

tmp_str = 'tmp_str'  

print tmp_str.__class__         #<type 'str'>  

print type(tmp_str)             #<type 'str'>  

print type(tmp_str).__name__    #str  

tmp_str = u'tmp_str'  

print tmp_str.__class__         #<type 'unicode'>  

print type(tmp_str)             #<type 'unicode'>  

print type(tmp_str).__name__    #unicode  

3、最好的办法是使用chardet判断，特别是在web相关的操作中，例如抓取html页面内容时，页面的charset标签只是标示编码，有时候不对，而且页面内容中一些中文可能超出了标示编码的范围，此时用charset检测最为方便准确。

（1）安装办法：下载chardet后，将解压得到的chardet文件夹放在python安装目录的\Lib\site-packages目录下，在程序中使用import chardet即可。

（2）使用办法1：检测全部内容判断编码

[python] view plaincopy

import urllib2  

import chardet  

res = urllib2.urlopen('http://www.csdn.net/')  

res_cont = res.read()  

res.close()  

print chardet.detect(res_cont)  #{'confidence': 0.99, 'encoding': 'utf-8'}  

detect函数返回值为一个包含2个键值对的字典，第一个是检测置信度，第二个就是检测到的编码形式。

（3）使用办法2：检测部分内容判断编码，提高速度

[python] view plaincopy

import urllib2  

from chardet.universaldetector import UniversalDetector  

res = urllib2.urlopen('http://www.csdn.net')  

detector = UniversalDetector()  

for line in res.readlines():  

    #detect untill reach threshold  

    detector.feed(line)  

    if detector.done:  

        break  

detector.close()  

res.close()  

print detector.result  

#{'confidence': 0.99, 'encoding': 'utf-8'}  

【转换编码】

1、从具体的编码（ISO-8859-1[ASCII码]，utf-8，utf-16，GBK，GB2312等）转换为unicode，直接使用unicode(s, charset)或者s.decode(charset)，其中charset为s的编码（注意unicode在使用decode()时会出错）；

[python] view plaincopy

#将任意字符串转换为unicode  

def to_unicode(s, encoding):  

    if isinstance(s, unicode):  

        return s  

    else:  

        return unicode(s, encoding)  

注意：这里在decode()的时候，如果遇到非法字符（比如不标准的全角空格\xa3\xa0，或者\xa4\x57，真正的全角空格是\xa1\xa1），就会报错。
解决办法：采用'ignore'模式，即：stra.decode('...', 'ignore').encode('utf-8')。
解释：decode的函数原型是decode([encoding],[errors='strict'])，可以用第二个参数控制错误处理的策略。
默认的参数就是strict，代表遇到非法字符时抛出异常；如果设置为ignore，则会忽略非法字符；如果设置为replace，则会用?取代非法字符；如果设置为xmlcharrefreplace，则使用XML的字符引用。

2、从unicode转换为具体的编码，也是直接用s.encode(charset)，其中s为unicode编码，charset为具体的编码（注意非unicode在使用encode()时会出错）；

3、自然地，从一种具体编码转换为另一种具体编码，就可以先decode成unicode再encode成最终编码了。

【python命令行编码（系统编码）】

用python自带的locale模块来检测命令行的默认编码（也就是系统的编码）和设置命令行编码：

[python] view plaincopy

import locale  

#get coding type  

print locale.getdefaultlocale() #('zh_CN', 'cp936')  

#set coding type  

locale.setlocale(locale.LC_ALL, locale='zh_CN.GB2312')  

print locale.getlocale()    #('zh_CN', 'gb2312')  

表明当前系统的内部编码是cp936，近似于GBK。实际上中文XP和WIN7的系统内部编码都是cp936（GBK）。

【python代码中的编码】
1、python代码中的字符串在未被指定编码的情况下，默认编码与代码文件本身的编码一致。举个例子：str = '中文'这个字符串，如果是在utf8编码的代码文件中，该字符串就是utf8编码；如果是在gb2312的文件中，该字符串就是gb2312编码。那么代码文件本身的编码怎么知道呢？

（1）自己指定代码文件的编码：在代码文件的头部加上“#-*- coding:utf-8 -*-”来声明该代码文件为utf-8编码。此时未被指定编码的字符串的编码都变成了utf-8。

（2）在没有指定代码文件的编码时，创建代码文件时使用的是python默认采用的编码（一般来说是ascii码，在windows中实际保存为cp936（GBK）编码）。通过sys.getdefaultencoding()和sys.setdefaultencoding('...')来获取和设置该默认编码。

[python] view plaincopy

import sys  

reload(sys)  

print sys.getdefaultencoding()  #ascii  

sys.setdefaultencoding('utf-8')  

print sys.getdefaultencoding()  #utf-8  

结合（1）和（2）做个试验：指定代码文件编码为utf-8时，用notepad++打开显示的是utf-8无DOM编码；未指定代码文件编码时，用notepad++打开显示的是ANSI编码（压缩编码，默认的保存编码形式）。

（3）如何永久地将python默认采用的编码设置为utf-8呢？有2种方法：
第一个方法<不推荐>：编辑site.py，修改setencoding()函数，强制设置为 utf-8；
第二个方法<推荐>：增加一个名为 sitecustomize.py的文件，存放在安装目录下的\Lib\site-packages目录下
sitecustomize.py是在site.py被import执行的，因为 sys.setdefaultencoding()是在site.py的结尾处被删除的，所以可以在 sitecustomize.py使用 sys.setdefaultencoding()。

2、python代码中的字符串如果被指定了编码，举个例子：str = u'中文'，该字符串的编码被指定为unicode（即python的内部编码）。

（1）这里有个误区需要注意！假如在py文件中有如下代码：

[python] view plaincopy

stra = u"中"  

print stra.encode("gbk")  

按上面说的stra是unicode形式，直接encode称gbk编码应该没问题啊？但是实际执行时会报错“UnicodeEncodeError: 'gbk' codec can't encode character u'\xd6' in position 0: illegal multibyte sequence”。

原因在于：python解释器在导入python代码文件并执行时，会先查看文件头有没有编码声明（例如#coding:gbk等）。如果发现声明，会将文件中的字符串都先解释成unicode的形式（这里先用默认编码gbk（cp936）将stra解码成unicode编码'd6d0'后保存），之后执行stra.encode('gbk')时，由于stra已经是unicode编码且'd6d0'在gbk的编码范围内，所以编码不会出现错误；如果文件头没有编码声明，则不会进行上述过程中的解码操作（这里就直接使用stra的unicode编码'd6'），之后执行stra.encode('gbk')时，由于'd6'不在gbk的编码范围所以报错。

（2）为避免这种类型的错误，最好在代码文件头上声明编码，或者麻烦点每次使用setdefaultencoding()。

（3）总的来说就是unicode是python解释器的内码，所有代码文件在导入并执行时，python解释器会先将字符串使用你指定的编码形式解码成unicode，然后再进行各种操作。所以不管是对字符串的操作，还是正则表达式，还是读写文件等等最好都通过unicode来进行。

【python中其他编码】
文件系统的编码：sys.getfilesystemencoding()
终端的输入编码：sys.stdin.encoding
终端的输出编码：sys.stdout.encoding

python 编码转换

主要介绍了python的编码机制，unicode, utf-8, utf-16, GBK, GB2312,ISO-8859-1 等编码之间的转换。

常见的编码转换分为以下几种情况：

自动识别 字符串编码

可以使用 chardet 模块自动识别 字符创编码

chardet 使用方法

unicode 转换为其它编码(GBK, GB2312等)

例如：a为unicode编码 要转为gb2312。a.encode('gb2312')

# -*- coding=gb2312 -*-a = u"中文"a_gb2312 = a.encode('gb2312')print a_gb2312

GBK 与 GB2312的区别

GB 码，全称是GB2312-80《信息交换用汉字编码字符集基本集》，1980年发布，是中文信息处理的国家标准，在大陆及海外使用简体中文的地区（如新加坡等）是强制使用的唯一中文编码。P- Windows3.2和苹果OS就是以GB2312为基本汉字编码， Windows 95/98则以GBK为基本汉字编码、但兼容支持GB2312。GB码共收录6763个简体汉字、682个符号，其中汉字部分：一级字3755，以拼音排序，二级字3008，以偏旁排序。该标准的制定和应用为规范、推动中文信息化进程起了很大作用。

GBK编码是中国大陆制订的、等同于UCS的新的中文编码扩展国家标准。GBK工作小组于1995年10月，同年12月完成GBK规范。该编码标准兼容GB2312，共收录汉字21003个、符号883个，并提供1894个造字码位，简、繁体字融于一库。

GBK 包括 GB2312的所有编码，有些字GB2312没有，需要用GBK来编码。

转: gbk, gb2312,big5,unicode,utf-8,utf-16的区别

其它编码(utf-8,GBK)转换为unicode

例如：a为gb2312编码，要转为unicode. unicode(a, 'gb2312')或a.decode('gb2312')

# -*- coding=gb2312 -*-a = u"中文"a_gb2312 = a.encode('gb2312')print a_gb2312
a_unicode = a_gb2312.decode('gb2312')assert(a_unicode == a)a_utf_8 = a_unicode.encode('utf-8')print a_utf_8

非unicode编码之间的转换

编码1(GBK,GB2312) 转换为 编码2(utf-8,utf-16,ISO-8859-1)

可以先转为unicode再转为编码2

如gb2312转utf-8

# -*- coding=gb2312 -*-a = u"中文"a_gb2312 = a.encode('gb2312')print a_gb2312 a_unicode = a_gb2312.decode('gb2312')assert(a_unicode == a)a_utf_8 = a_unicode.encode('utf-8')print a_utf_8

判断字符串的编码

isinstance(s, str) 用来判断是否为一般字符串 
isinstance(s, unicode) 用来判断是否为unicode 
如果一个字符串已经是unicode了，再执行unicode转换有时会出错(并不都出错) 

下面代码为将任意字符串转换为unicode

def u(s, encoding):    if isinstance(s, unicode):        return s    else:        return unicode(s, encoding)

Unicode 与其它编码之间的区别

为什么不所有的文件都使用unicode，还要用GBK，utf-8等编码呢？

unicode可以称为抽象编码，也就是它只是一种内部表示，一般不能直接保存。
保存到磁盘上时，需要把它转换为对应的编码，如utf-8和utf-16。

其它方法

除上以上的编码方法，在读写文件时还可以使用codecs的open方法在读写时进行转换。

命令行默认编码检测和设置

可以用python自带的模块locale来检测命令行默认编码和设置命令行编码。

import locale #get locale.getdefaultlocale()#('zh_CN', 'cp936') #setlocale.setlocale(...)

汉字转Unicode编码

    pd_name = pd_name.decode('utf-8')
    print pd_name
    nname = ""
    for c in pd_name:
      c = "%%u%04X" % ord(c);
      nname += c