python中文编码与json中文输出问题详解

　　前言

　　python2.x版本的字符编码有时让人很头疼，遇到问题，网上方法可以解决错误，但对原理还是一知半解，本文主要介绍 python 中字符串处理的原理，附带解决 json 文件输出时，显示中文而非 unicode 问题。首先简要介绍字符串编码的历史，其次，讲解 python 对于字符串的处理，及编码的检测与转换，最后，介绍 python 爬虫采取的 json 数据存入文件时中文输出的问题。

　　参考书籍：Python网络爬虫从入门到实践 by唐松

　　在python 2或者3 ，字符串编码只有两类 ：

　　（1）通用的Unicode编码；

　　（2）将Unicode转化为某种类型的编码，如UTF-8，GBK；

　　1、计算机历史：

　　计算机只处理数字，因此处理文本时，必须转换成数字才行。

　　8位（bit）=1字节（byte）=256种不同状态=从000000到111111；

　　1GB=1024M=1024（1024kb）=1024（1024（1024b））；

　　ASCII编码 是对应英文字符与二进制数字之间的关系；ASCII一共规定了128种，如大写字母A是65，即01000001；可见一字母一字节；

　　GB2312编码 简体中文常见的编码，两个字节代表一个中文汉字 ，理论上256*256个编码，即可表示65536种中文字；

　　各国编码不同，为了各国能扩平台进行文本的转换与处理，Unicode就被作为统一码或者单一码。Unicode编码通常是两个字节，unicode与ASCII编码的区别，在于unicode在ASCII编码前加了一个0，即字母A的ASCII编码为01000001，unicode编码即为0000000001000001;但英文字母其实只用一个字节就够了，unicode编码写英文时多了一个字节，浪费存储空间。因而unicode开发了通用转换格式（Unicode Transformation Format(UTF)）,常见的有utf-8或者utf-16；

　　要明白encode()和decode()的区别

　　encode()的作用是将Unicode编码的字符串转换为其他编码格式。

　　例如： st1.encode(utf-8) 这句话的作用是将Unicode编码的st1编码为utf-8编码的字符串

　　decode()的作用是把其他编码格式的字符串转换成Unicode编码的字符串。

　　例如： st2.decode(utf-8) 这句话的作用是将utf-8编码的字符串st2解码为Unicode编码的字符串

　　第二，除Unicode编码的字符串以外，任何一种编码的字符串要想转换为其他编码格式，必须先解码后编码

　　非Unicode编码--> Unicode编码-->非Unicode编码

　　例如，utf-8编码的字符串st想要转换为gbk编码的字符串，必须经过以下步骤：

　　 st=st.decode(utf-8) #解码为Unicode编码 st=st.encode(gbk) #从Unicode编码编码为gbk编码

　　第三，我们经常使用的utf-8编码还分为有BOM的和无BOM的。

　　第四：关于json文件的中文编码。用Python读取Json文件时经常用到json.load()函数，该函数对json文件的格式是有要求的

　　1）json文件是utf-8 without BOM编码的，那么可以直接用json.load(filename)函数读取json文件的内容

　　2）json文件是utf-8 with BOM编码的，不能用json.load()函数读取，json.load()不能正确识别

　　3）json文件时其他编码的，比如gbk， 要把json文件的编码格式作为一个参数传给json.load() ：

　　 eg. json.load(filename，gbk)

　　第五，怎么查看并且设置自己文件的编码呢。

　　介绍一个个人比较喜欢的工具Nodtepad++，随便一个软件管家里就与一键安装。

　　用这个工具你可以方便的查看自己的文件的当前编码，并可以轻松转换成任意其他编码格式

　　2、python字符编码

　　参考地址：

　　（1）encode的作用是，将unicode对象编码成其他编码的字符串，str.encode(utf-8),编码成UTF-8；（2）decode的作用是将其他编码的字符串转换成Unicode编码，str.decode(UTF-8)；

　　 import chardet 查阅具体的编码类型，chardet.detect(str)，但是str不能是unicode编码类型，但是该方法 不接受 本来已经是unicode的编码的 参数，会有TypeError: Expected object of type bytes or bytearray, got: <type unicode>错误； 作为统一标准，unicode不能再被解码，如果UTF-8想转至其他非unicode，则必须（2）先decode 到unicode，在encode到其他非unicode的编码。

　　爬取网页时，可在F12 elements meta中查看网页编码方式，如图：

　　(2)中文，Python中的字典能够被序列化到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加载入文件完成...);

　　存储数据如图：

　　 dump()的第一个参数是要序列化的对象，第二个参数是打开的文件句柄，注意文件打开open()时加上以UTF-8编码打开，在dump()的时候也加上ensure_ascii=False,不然会变成ascii码写到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 为列表、字典等python自带的数据结构，将其写成json #print json_str; #[{brokername: 王东宇},{},{}] new_dict = json.loads(json_str);#主要是读json文件时，需要用到 #print new_dict; #{uhouse_area: u95, ubuild_year: u2005} json.dumps() 是将一个Python数据结构转换为一个JSON编码的字符串,

　　{name: xiaoming}

　　json.loads() 是将一个JSON编码的字符串（字典形式）转换为一个Python数据结构,{uname: uxiaoming}

　　dumps转化后键与值都变成了双引号，而在loads后变成python变量时，元素都变成了单引号，并且字符串前加多了个u。
一般要求当要字符串通过loads转为python数据类型时，得外层用单引号，里面元素key和value用双引号。

　　 sort_keys：根据key排序

　　dump与dumps的区别

　　 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将一个对象序列化存入文件，dump需要一个类似于文件指针的参数（并不是真的指针，可称之为类文件对象），可以与文件操作结合，也就是说可以将dict转成str存入文件中，如json.dump(all_house,f,ensure_ascii=False,sort_keys=True, indent=4)中的f表示一个数据待写入的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)直接给的是str，也就是直接将字典转成str，无需写入文件，类似一个数据格式的转换方法，将python字符串转成json字典。 所以dumps是将dict转化成str格式，loads是将str转化成dict格式。
dump和load也是类似的功能，只是与文件操作结合起来了。

　　（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，提示错误TypeError: encoding is an invalid keyword argument for this function,无法传入encoding的参数，但是在3.7版本可传入encoding=utf-8参数，即可对 txt进行中文写入。

　　!!NOTE

　　 中文写入txt、json文件是无非就是open()文件时，需要添加utf-8，dump()时，需要添加ensure_ascii=False，防止ascii编码，但是刚开始因为python版本是2.7.15，不是3.7，导致存储不成功的时候，一直以为是代码的问题。所以最后发现就是版本的问题，也挺伤的。网上关于中文这个编码问题有很多，但是他们都没有强调python版本的问题！！！其他3.xx的版本没有试过。 读取网页数据的时候，查看网页的charset，及chardet库对编码类型的查询，及时进行decode和encode的编码转化，应该就能避免很多编码问题了。其他的坑以后踩了再补吧。

　　总结

　　以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对脚本之家的支持。