python中文编码与json中文输出问题详解

2018-09-21 21:28

阅读:722

  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。


评论


亲,登录后才可以留言!