python2.x版本的字元編碼有時讓人很頭疼，遇到問題，網上方法可以解決錯誤，但對原理還是一知半解，本文主要介紹 python 中字元串處理的原理，附帶解決 json 文件輸出時，顯示中文而非 unicode 問題。首先簡要介紹字元串編碼的歷史，其次，講解 python 對於字元串的處理，及編碼的檢測與轉換，最後，介紹 python 爬蟲採取的 json 數據存入文件時中文輸出的問題。
參考書籍：Python網路爬蟲從入門到實踐 by唐松

在python 2或者3 ，字元串編碼只有兩類 ：

（1）通用的Unicode編碼；
（2）將Unicode轉化為某種類型的編碼，如UTF-8，GBK；

1、電腦歷史：

電腦只處理數字，因此處理文本時，必須轉換成數字才行。
8位（bit）=1位元組（byte）=256種不同狀態=從000000到111111；
1GB=1024M=1024（1024kb）=1024（1024（1024b））；

ASCII編碼 是對應英文字元與二進位數字之間的關係；ASCII一共規定了128種，如大寫字母A是65，即01000001；可見一字母一位元組；

GB2312編碼 簡體中文常見的編碼，兩個位元組代表一個中文漢字 ，理論上256*256個編碼，即可表示65536種中文字；

各國編碼不同，為了各國能擴平臺進行文本的轉換與處理，Unicode就被作為統一碼或者單一碼。Unicode編碼通常是兩個位元組，unicode與ASCII編碼的區別，在於unicode在ASCII編碼前加了一個0，即字母A的ASCII編碼為01000001，unicode編碼即為0000000001000001;但英文字母其實只用一個位元組就夠了，unicode編碼寫英文時多了一個位元組，浪費存儲空間。因而unicode開發了通用轉換格式（Unicode Transformation Format(UTF)）,常見的有utf-8或者utf-16；

2、python字元編碼

參考地址：https://www.jb51.net/article/139878.htm

（1）encode的作用是，將unicode對象編碼成其他編碼的字元串，str.encode('utf-8'),編碼成UTF-8；（2）decode的作用是將其他編碼的字元串轉換成Unicode編碼，str.decode('UTF-8')；

• import chardet 查閱具體的編碼類型，chardet.detect(str)，但是str不能是unicode編碼類型，但是該方法 不接受 本來已經是unicode的編碼的 參數，會有TypeError: Expected object of type bytes or bytearray, got: <type 'unicode'>錯誤；
• 作為統一標準，unicode不能再被解碼，如果UTF-8想轉至其他非unicode，則必須（2）先decode 到unicode，在encode到其他非unicode的編碼。

爬取網頁時，可在F12 elements meta中查看網頁編碼方式，如圖：

(2)中文，Python中的字典能夠被序列化到json文件中存入json

with open("anjuke_salehouse.json","w",encoding='utf-8') as f:
    json.dump(all_house,f,ensure_ascii=False,sort_keys=True, indent=4);
    print(u'載入入文件完成...');

存儲數據如圖：

• dump()的第一個參數是要序列化的對象，第二個參數是打開的文件句柄，註意文件打開open()時加上以UTF-8編碼打開，在dump()的時候也加上ensure_ascii=False,不然會變成ascii碼寫到json文件中json.dump(all_house,f,ensure_ascii=False,sort_keys=True, indent=4)

json.dumps()/json.loads()等用法

json_str = json.dumps(all_house,ensure_ascii=False); #all——books 為列表、字典等python自帶的數據結構，將其寫成json
#print json_str; #[{"brokername": "王東宇"},{},{}]
new_dict = json.loads(json_str);#主要是讀json文件時，需要用到
#print new_dict; #{u'house_area': u'95', u'build_year': u'2005'}

• json.dumps() 是將一個Python數據結構轉換為一個JSON編碼的字元串,
  {"name": "xiaoming"}

json.loads() 是將一個JSON編碼的字元串（字典形式）轉換為一個Python數據結構,{u'name': u'xiaoming'}

dumps轉化後鍵與值都變成了雙引號，而在loads後變成python變數時，元素都變成了單引號，並且字元串前加多了個u。
一般要求當要字元串通過loads轉為python數據類型時，得外層用單引號，裡面元素key和value用雙引號。

• sort_keys：根據key排序

dump與dumps的區別

• dumps(obj, skipkeys=False, ensure_ascii=True, check_circular=True, allow_nan=True, cls=None, indent=None, separators=None, encoding='utf-8', default=None, sort_keys=False, **kw)；dump將一個對象序列化存入文件，dump需要一個類似於文件指針的參數（並不是真的指針，可稱之為類文件對象），可以與文件操作結合，也就是說可以將dict轉成str存入文件中，如json.dump(all_house,f,ensure_ascii=False,sort_keys=True, indent=4)中的f表示一個數據待寫入的json文件句柄；
• dump(obj, fp, skipkeys=False, ensure_ascii=True, check_circular=True, allow_nan=True, cls=None, indent=None, separators=None, encoding='utf-8', default=None, sort_keys=False, **kw)；而dumps(str)直接給的是str，也就是直接將字典轉成str，無需寫入文件，類似一個數據格式的轉換方法，將python字元串轉成json字典。
• 所以dumps是將dict轉化成str格式，loads是將str轉化成dict格式。
  dump和load也是類似的功能，只是與文件操作結合起來了。

（3）中文存入txt

f=open('net_saving_data.txt','w',encoding='utf-8');
for item in all_house:
    # house_area=item['house_area'];
    # price=item['price'];
    output='\t'.join([str(item['house_area']),str(item['price']),str(item['build_year']),str(item['house_title'])]);
    f.write(output);
    f.write('\n');
f.close();

• 在2.7.15版本的python中，提示錯誤TypeError: 'encoding' is an invalid keyword argument for this function,無法傳入encoding的參數，但是在3.7版本可傳入encoding='utf-8'參數，即可對 txt進行中文寫入。

!!NOTE

• 中文寫入txt、json文件是無非就是open()文件時，需要添加utf-8，dump()時，需要添加ensure_ascii=False，防止ascii編碼，但是剛開始因為python版本是2.7.15，不是3.7，導致存儲不成功的時候，一直以為是代碼的問題。所以最後發現就是版本的問題，也挺傷的。網上關於中文這個編碼問題有很多，但是他們都沒有強調python版本的問題！！！其他3.xx的版本沒有試過。
• 讀取網頁數據的時候，查看網頁的charset，及chardet庫對編碼類型的查詢，及時進行decode和encode的編碼轉化，應該就能避免很多編碼問題了。其他的坑以後踩了再補吧。