編解碼器

在字符與字節之間的轉換過程稱為編解碼，Python自帶了超過100種編解碼器，比如：

• ascii（英文體系）
• gb2312（中文體系）
• utf-8（全球通用）
• latin1
• utf-16
  

編解碼器一般有多個別名，比如utf8、utf-8、U8。

這些編解碼器可以傳給open()、str.encode()、bytes.decode()等函數的encoding參數。

UnicodeEncodeError

多數非UTF編解碼器（比如cp437）只能處理Unicode字符的一小部分子集。把字符轉換成字節時，如果目標編碼中沒有定義這個字符，那么就會拋出UnicodeEncodeError異常。

處理方式一：使用utf8編碼。

處理方式二：添加errors參數：

# 忽略 如b'So Paulo'
city.encode("cp437", errors="ignore")
# 替換為? 如b'S?o Paulo'
city.encode("cp437", errors="replace")
# 替換為XML實體 如b'S#227;o Paulo'
city.encode("cp437", errors="xmlcharrefreplace")

UnicodeDecodeError

把字節轉換為字符時，遇到無法轉換的字節時會拋出UnicodeDecodeError異常。這是因為不是每個字節都包含有效的ASCII字符，也不是每個字符都是有效的UTF-8。

處理方式也有兩種，跟上面一樣。

SyntaxError

Python3默認使用UTF-8編碼源碼。如果加載的.py模塊中包含UTF-8之外的數據，而且沒有聲明編碼，就會拋出SyntaxError異常。

處理方式是在文件頂部添加coding注釋：

# coding: cp1252

但是這個辦法并不好，最好還是找到這些報錯字符，把它們轉換為UTF-8。

從網上直接復制代碼到IDE中執行經常會報這個錯。

處理文本文件

Unicode三明治：

在程序中盡量少接觸二進制，把字節解碼為字符，只處理字符串對象。比如在Django中，view應該輸出Unicode字符串，Django會負責把響應數據編碼成字節序列，而且默認使用UTF-8編碼。

Python內置的open函數就是采用了這個原則，在讀取文件時會做必要的解碼，以文本模式寫入文件時會做必要的編碼。

文件亂碼

Windows更容易遇到這個問題，因為Windows并不是統一的UTF-8編碼，比如在Windows10中：

>>> open("cafe.txt", "w", encoding="utf8").write("café")
4
>>> open("cafe.txt").read()
'caf茅'

寫入文件時指定了utf8，但是讀取文件沒有指定，Python就會使用系統默認編碼：

>>> import locale
# 打開文件用這個
# 如果沒有設置PYTHONENCODING環境變量，sys.stdout/stdin/stderr也用這個
>>> locale.getpreferredencoding()
'cp936'

cp936把最后一個字節解碼成了茅而不是é。

>>> import sys
# 二進制數據和字符串之間轉換用這個
>>> sys.getdefaultencoding()
'utf-8'

>>> import sys
# 文件名（不是文件內容）用這個
>>> sys.getfilesystemencoding()
'utf-8'

GNU/Linux或Mac OS X不會遇到這個問題，因為多年來它們的默認編碼都是UTF-8。

解決辦法是一定不能依賴系統默認編碼，打開文件時始終應該明確傳入encoding=參數，因為不同的設備使用的默認編碼可能不同，有時隔一天也會發生變化。

小結

本文介紹了Python的編解碼器，以及可能出現的UnicodeEncodeError、UnicodeDecodeError、SyntaxError問題，然后給出了Python的open函數處理文本文件的原則，最后對Windows容易出現的文件亂碼問題進行了說明。

到此這篇關于Python編解碼問題及文本文件處理方法的文章就介紹到這了,更多相關Python編解碼及文本處理內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！

參考資料：

《流暢的Python》