Python編碼轉換問題;utf-8/gbk/unicode/ASCII ;統計字元串中數字,字母,漢字的個數 ...
目錄
python與中文的那點事
在學習python的過程中,發現在python2與python3中對中文的處理有所不同,所以這篇文章就來探討一下這些不同
1. utf-8/gbk/unicode/ASCII
我們都知道,在電腦內部所有的信息都可以被表示成二進位的字元串,每一個二進位位有1和0兩種狀態,因此8位的二進位數可以表示256種狀態,這也被稱為位元組(byte),也就是一個位元組可以表示可以用來表示256種不同的狀態,每一個狀態都對應一個符號;上個年代美國制定了一套字元編碼,對應英文字母與二進位之間的關係,做了統一的規定。這被稱為ASCII,一直沿用至今。
當然設計上存在很多的編碼方式,同一個二進位也可以被解釋成不同的符號,因此想要打開一個文件就必須要知道它的編碼方式,否則用錯誤的編碼方式進行讀取,就會產生亂碼。所以說如果有一種編碼,能適應世界上所有的編碼規則,那麼就可以解決掉所有的亂碼問題。所以Unicode這套編碼規則就被設計出來了,Unicode當然是一個很大的合集,可以容納100多萬個符號,每個符號的編碼都不一樣,但是要註意到的是,Unicode只是一個符號集,他並沒有規定這個二進位如何去存儲,所以有些字元是用2個位元組存儲,有的是三個或者四個位元組進行存儲,甚至更多。那麼這樣的話就會有一個問題,就是電腦應該如何確定到底是三位位元組決定一個符號,還是兩位元組決定一個符號。這樣造成的結果就是會產生多種的Unicode編碼方式,也就是說有不同的二進位格式,所以不能進行有效的推廣。
隨著互聯網的普及,需要一種能夠統一的編碼方式,utf-8就是在互聯網上是用最廣的一種Unicode實現的方法,其他方法還有UFT-18和UTF-32,不過現在在互聯網上基本不是很通用,所以要強調的是UTF-8是Unicode的一種實現方式。UTF-8最大的一個特點就是它是一種變長的編碼模式;它可以用1~4個位元組表示一個符號,根據不同的符號而變化位元組長度。
另外,UTF-8是Unix下的通用編碼,可以對漢字進行編碼;gbk是win環境下的一種漢字編碼格式。所有的UTF-8和gbk編碼都得通過Unicode編碼進行轉換,而UTF-8和gbk之間不能相互轉換,要在Unicode過個場。
在下麵代碼中:
# -*- coding:utf-8 -*-
s='漢字'
print(s)
s是一串utf-8編碼的漢字,在print的時候,先把utf-8轉化成unicode再輸出成正產顯示的漢字。
2.各種編碼之間的轉換
python中有兩個很好用的函數decode()和encode()。
decode('utf-8') 是從utf-8編碼轉換成unicode編碼,當然括弧里也可以寫'gbk'。
encode('gbk') 是將unicode編碼編譯成gbk編碼,當然括弧里也可以寫'utf-8'。
假如我知道一串編碼是用gbk編寫的,怎麼轉成utf-8呢?
s.decode('utf-8').encode('gbk')
那麼這樣就有一個有意思的小問題,如何看一個漢字分別用utf-8和gbk編碼所用的位數,我們用代碼演示一下:
#python3 中可以直接進行編碼
>>> len("測試代碼".encode("utf-8"))
12
>>> len("測試代碼".encode("gbk"))
8
#因為在Python3中預設就是unicode編碼
#python2中需要先decode 一次
>>> len("測試代碼".decode("utf-8").encode("utf-8"))
12
>>> len("測試代碼".decode("utf-8").encode("gbk"))
8
Python3.0中預設的編碼類型就是Unicode了,在python2.x中預設編碼是ascill。
3. 統計字元串中數字,字母,漢字的個數
#re模塊,實現正則匹配
import re
str_test = 'asdfghjkl123456測試代碼'
num_regex = re.compile(r'[0-9]')
alphabet_regex = re.compile(r'[a-zA-z]')
chzn_regex = re.compile(r'[\u4E00-\u9FA5]')
print('輸入字元串:',str_test)
#findall獲取字元串中所有匹配的字元
num_list = num_regex.findall(str_test)
print('包含的數字:',num_list)
alphabet_list = alphabet_regex.findall(str_test)
print('包含的字母:',alphabet_list)
chzn_list = chzn_regex.findall(str_test)
print('包含的漢字:',chzn_list)
print('數字個數:',len(num_list))
print('字母個數:',len(alphabet_list))
print('漢字個數:',len(chzn_list))
輸出結果:
輸入字元串: asdfghjkl123456測試代碼
包含的數字: ['1', '2', '3', '4', '5', '6']
包含的字母: ['a', 's', 'd', 'f', 'g', 'h', 'j', 'k', 'l']
包含的漢字: ['測', '試', '代', '碼']
數字個數: 6
字母個數: 9
漢字個數: 4