在源文件的第一行或第二行添加:(必须在第一行或者第二行)
# -*- coding:utf-8 -*-
详细信息如下面解释:
Python对于decode&encode错误的默认处理方式为strict,也就是直接报错,而java使用replace的方式来处理了,因此java出现中文问题后会打印出很多"??"。此外,Python的默认的encoding是ASCII,而java的默认encoding跟操作系统的encoding是一致的。在这一点上,我觉得java更为合理,这样对程序员更为友好,也减少了newbies开始时的挫折感,是有利于语言的推广的。但是,Python也有它的道理,毕竟ASCII是唯一的全世界所有平台都支持的字符集,而且问题始终是问题,始终会出现的,逃避它还不如早点面对它。
在这之前,我们先要了解Python中有两种字符串,分别是一般的字符串(每个字符用8bits表示)和Unicode字符串(每个字符用一个或者多个字节表示),它们可以相互转换。关于Unicode,Joel Spolsky 在 The Absolute Minimum EverySoftware Developer Absolutely, Positively Must Know About Unicode and CharacterSets (No Excuses!) 中有生动的说明,Jason Orendorff 在 Unicode for programmers 有着更为全面的描述,在此我就不再多说什么了。来看下面的代码:
s = u"中文你好"
print s
运行上述代码,Python会给出下面的错误提示:
SyntaxError:Non-ASCII character ‘\xd6‘ in fileD:\Users\Administrator\workspace\Python27_guan\src\knn_algorithms\test.py online 1, but no encoding declared; see http://www.python.org/peps/pep-0263.htmlfor details
说是遇到非ASCII字符了,并让我们参考pep-0263。PEP-0263(Python Enhancement Proposal)上面说得很清楚了,如下截图:
参考网址:http://legacy.python.org/dev/peps/pep-0263/
问题解决方案实例:
ExamplesThese are some examples to clarify the different styles for defining the source code encoding at the top of a Python source file: 1. With interpreter binary and using Emacs style file encoding comment: #!/usr/bin/python # -*- coding: latin-1 -*- import os, sys ... #!/usr/bin/python # -*- coding: iso-8859-15 -*- import os, sys ... #!/usr/bin/python # -*- coding: ascii -*- import os, sys ... 2. Without interpreter line, using plain text: # This Python file uses the following encoding: utf-8 import os, sys ... 3. Text editors might have different ways of defining the file‘s encoding, e.g. #!/usr/local/bin/python # coding: latin-1 import os, sys ... 4. Without encoding comment, Python‘s parser will assume ASCII text: #!/usr/local/bin/python import os, sys ... 5. Encoding comments which don‘t work: Missing "coding:" prefix: #!/usr/local/bin/python # latin-1 import os, sys ... Encoding comment not on line 1 or 2: #!/usr/local/bin/python # # -*- coding: latin-1 -*- import os, sys ... Unsupported encoding: #!/usr/local/bin/python # -*- coding: utf-42 -*- import os, sys ... |
Python也意识到了国际化问题,并提出了解决方案。根据提案上面的要求,我们有如下代码进行测试:
程序运行的结果如下:
参考代码: # -*- coding:gb2312 -*- print "-------------code 1----------------" a = "中文a我爱你" print a print a.find("我") b = a.replace("爱", "喜欢") print b print "--------------code 2----------------" x = "中文a我爱你" y = unicode(x, "gb2312") print y.encode("gb2312") print y.find(u"我") z = y.replace(u"爱", u"喜欢") print z.encode("gb2312") print "---------------code 3----------------" print y |
我们可以看到,通过引入编码声明,我们可以正常地在使用中文了,而且在code 1和2中,控制台也能正确的把中文打印出来。但是,很明显,上面的代码也反映出了不少的问题:
1、code 1 和 2在使用print时采用了不同的方式,1是直接print,而2在print之前先进行编码
2、code 1 和 2中在同样的字符串查找同一个字符“我”,得出的结果不一样(分别是5和3)
为什么?为什么?我们可以先在脑海中模拟一下我们使用Python的流程:
首先,我们先用编辑器编写好源代码,保存成文件。如果源代码中有编码声明而且用的编辑器支持该语法,那么该文件就以相应的编码方式保存在磁盘中。注意:编码声明和源文件的编码不一定是一致的,你完全可以在编码声明中声明编码为UTF-8,但是用GB2312来保存源文件。当然,我们不可能自寻烦恼,故意写错,而且好的IDE也能强制保证两者的一致性,但是,如果我们用记事本或者EditPlus等编辑器来编写代码的话,一不小心就会出现这种问题的。
得到一个.py文件后,我们就可以运行它了,我们就把代码交给Python解析器来完成解析工作。解析器读入文件时,先解析文件中的编码声明,我们假设文件的编码为gb2312,那么先将文件中的内容由gb2312转换成Unicode,然后再把这些Unicode转换为UTF-8格式的字节串。完成这一步骤后,解析器把这些UTF-8字节串分段,解析。如果遇到使用Unicode字符串,那么就使用相应的UTF-8字节串创建Unicode字符串,如果程序中使用的是一般的字符串,那么解析器先将UTF-8字节串通过Unicode转换成相应编码(这里就是gb2312编码)的字节串,并用其创建一般的字符串对象。也就是说,Unicode字符串跟一般字符串在内存中的存放格式是不一样的,前者使用UTF-8的格式,后者使用GB2312格式。
好了,内存中的字符串存放格式我们知道了,下面我们要了解print的工作方式。print其实只是负责把内存中相应的字节串交给操作系统,让操作系统相应的程序(譬如cmd窗口)进行显示。这里有两种情况:
1、若字符串是一般的字符串,那么print只需把内存中相应的字节串推送给操作系统。如例子中的code1。
2、如果字符串是Unicode字符串,那么print在推送之前先进行相应的encode:我们可以显示使用Unicode的encode方法使用合适的编码方式来编码(例子中code 2),否则Python使用默认的编码方式进行编码,也就是ASCII(例子中的code 3)。当然ASCII是不可能正确编码中文的,因此Python报错。(实际上在测试程序的时候:y = unicode(x,
"gb2312")
类似y = u‘中文a我爱你‘的),该地方我用eclipse+Python编写的,但能跑出其中的结果。没有报错,下面我用Python自带的集成工具操作信息如下:
至此,上面的三个问题我们已经可以解析第一和第三个了。至于第二个问题,因为Python中有两种字符串,一般字符串和Unicode字符串,两者都有各自的字符处理方法。对于前者,方法是以字节的方式进行的,而且在GB2312中,每个汉字占用两个字节,因此得到的结果是5;对于后者,也就是Unicode字符串,所有字符都是统一看待的,因此得到3。
虽然上面只提到了控制台程序的中文问题,但是文件读写以及网络传输中出现的中文问题在原理上都是类似的。Unicode的出现可以很大程度上解决软件的国际化问题,同时Python为Unicode提供了极为良好的支持,因此,我建议大家在编写Python的程序时,都统一使用Unicode方式。保存文件时使用UTF-8的编码方式。How to Use UTF-8 with Python有详细的描述,大家可以参考一下。
Python中能导致出现中文问题的地方还很多,譬如文件的读写,网络数据的传输等,希望大家能多多交流,共同解决这些问题。
实际应用问题操作——Eclipse+pydev2.2+python2.7 中文乱码问题
Eclipse的设置
window->preferences->general->editors->texteditors->spelling->encoding->UTF-8
window->preferences->workspace->text fileencoding->UTF-8
打开eclipse安装目录->eclipse.ini,末行加上”-Dfile.encoding=UTF-8”
文件编码
py文件记得保存成UTF-8,文件首行加上”#coding=utf-8”
run时设置
run-->run configurations->python run->Common-> Encoding ->UTF-8
参考文献:
http://hi.baidu.com/neutblue/item/a636f83f8483adf6e7bb7aa0
http://legacy.python.org/dev/peps/pep-0263/
http://legacy.python.org/dev/peps/
http://www.cnblogs.com/linyawen/archive/2011/09/28/2194106.html