Python編解碼問題與文字檔案處理

自動化程式碼美學發表於2021-06-19

編解碼器

在字元與位元組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utf8utf-8U8

這些編解碼器可以傳給open()、str.encode()、bytes.decode()等函式的encoding引數。

UnicodeEncodeError

多數非UTF編解碼器(比如cp437)只能處理Unicode字元的一小部分子集。把字元轉換成位元組時,如果目標編碼中沒有定義這個字元,那麼就會丟擲UnicodeEncodeError異常。

處理方式一:使用utf8編碼。

處理方式二:新增errors引數:

# 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'São Paulo'
city.encode("cp437", errors="xmlcharrefreplace")

UnicodeDecodeError

把位元組轉換為字元時,遇到無法轉換的位元組時會丟擲UnicodeDecodeError異常。這是因為不是每個位元組都包含有效的ASCII字元,也不是每個字元都是有效的UTF-8。

處理方式也有兩種,跟上面一樣。

SyntaxError

Python3預設使用UTF-8編碼原始碼。如果載入的.py模組中包含UTF-8之外的資料,而且沒有宣告編碼,就會丟擲SyntaxError異常。

處理方式是在檔案頂部新增coding註釋:

# coding: cp1252

但是這個辦法並不好,最好還是找到這些報錯字元,把它們轉換為UTF-8。

從網上直接複製程式碼到IDE中執行經常會報這個錯。

處理文字檔案

Unicode三明治:

image-20210616093403143

在程式中儘量少接觸二進位制,把位元組解碼為字元,只處理字串物件。比如在Django中,view應該輸出Unicode字串,Django會負責把響應資料編碼成位元組序列,而且預設使用UTF-8編碼。

Python內建的open函式就是採用了這個原則,在讀取檔案時會做必要的解碼,以文字模式寫入檔案時會做必要的編碼。

檔案亂碼

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

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

寫入檔案時指定了utf8,但是讀取檔案沒有指定,Python就會使用系統預設編碼:

>>> import locale
# 開啟檔案用這個
# 如果沒有設定PYTHONENCODING環境變數,sys.stdout/stdin/stderr也用這個
>>> locale.getpreferredencoding()
'cp936'

cp936把最後一個位元組解碼成了而不是é

>>> import sys
# 二進位制資料和字串之間轉換用這個
>>> sys.getdefaultencoding()
'utf-8'
>>> import sys
# 檔名(不是檔案內容)用這個
>>> sys.getfilesystemencoding()
'utf-8'

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

解決辦法是一定不能依賴系統預設編碼,開啟檔案時始終應該明確傳入encoding=引數,因為不同的裝置使用的預設編碼可能不同,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,然後給出了Python的open函式處理文字檔案的原則,最後對Windows容易出現的檔案亂碼問題進行了說明。

參考資料:

《流暢的Python》

相關文章