python自然语言编码转换模块codecs介绍
python对多国语言的处理是支持的很好的,它可以处理现在任意编码的字符,这里深入的研究一下python对多种不同语言的处理。 有一点需要清楚的是,当python要做编码转换的时候,会借助于内部的编码,转换过程是这样的: 复制代码 代码如下: 原有编码 -> 内部编码 -> 目的编码 python的内部是使用unicode来处理的,但是unicode的使用需要考虑的是它的编码格式有两种,一是UCS-2,它一共有65536个码位,另一种是UCS-4,它有2147483648g个码位。对于这两种格式,python都是支持的,这个是在编译时通过--enable-unicode=ucs2或--enable-unicode=ucs4来指定的。那么我们自己默认安装的python有的什么编码怎么来确定呢?有一个办法,就是通过sys.maxunicode的值来判断: 复制代码 代码如下: import sys print sys.maxunicode 如果输出的值为65535,那么就是UCS-2,如果输出是1114111就是UCS-4编码。 复制代码 代码如下: a = "风卷残云" print type(a) b = a.unicode(a,"gb2312") print type(b) 输出: 复制代码 代码如下: <type 'str'> <type 'unicode'> 这个时候b可以方便的任意转换为其他编码,比如转换为utf-8: 复制代码 代码如下: c = b.encode("utf-8") print c c输出的东西看起来是乱码,那就对了,因为是utf-8的字符串。 好了,该说说codecs模块了,它和我上面说的概念是密切相关的。codecs专门用作编码转换,当然,其实通过它的接口是可以扩展到其他关于代码方面的转换的,这个东西这里不涉及。 复制代码 代码如下: #-*- encoding: gb2312 -*- import codecs,sys print '-'*60 a = "我爱北京天安门" print len(a),a 上面的代码就是codecs的使用,是最常见的用法。另外还有一个问题就是,如果我们处理的文件里的字符编码是其他类型的呢?这个读取进行做处理也需要特殊的处理的。codecs也提供了方法. 复制代码 代码如下: #-*- encoding: gb2312 -*- import codecs,sys # 用codecs提供的open方法来指定打开的文件的语言编码,它会在读取的时候自动转换为内部unicode ss = bfile.read() 上面这个处理big5的,可以去找段big5编码的文件试试。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |