|
我來講一下字符問題我的理解吧，雖然我對Python的編碼處理的具體細節(jié)還不太清楚，不過臨時稍微看了一下，和Perl的原理也差不多 最重要的是必須區(qū)分“字符”和“字節(jié)”的不同，“字符”是抽象的，而“字節(jié)”是具體的 比如一個“中”字，在不同編碼中用如下字節(jié)表示： GBK Big5 UTF-8 UTF-16LE \xD6\xD0 \xA4\xA4 \xE4\xB8\xAD \x2D\x4E 所謂“抽象”的“字符”的“中”，并不是指“\xD6\xD0”或“\xA4\xA4”或任何字節(jié)，應該把它理解成：GBK編碼中“\xD6\xD0”字 節(jié)所指代的那個字符（語言學中的能指→所指），或者UTF-8編碼中“\xE4\xB8\xAD”所指代的那個字符，但并不是這些具體字節(jié)本身 問題是，抽象的字符要作為數據進行存儲和傳遞，就必須有具體的形式，也就是說你在程序內部實現中，要存儲“中”這個字符，你必須采用某些特定的字節(jié)。你可 以用“\xD6\xD0”，也可以用“\xE4\xB8\xAD”，也可以用“\x2D\x4E”，Python在Windows下采用的是UTF- 16LE（？），也就意味著它的“字符”的載體編碼是UTF-16LE sys.setdefaultencoding(name) Set the current default string encoding used by the Unicode implementation. 文檔上是這么寫的，如果我的理解沒錯的話，這個函數的作用就是改變“字符”的載體編碼，sys.setdefaultencoding('gbk')以后，“中”這個字符在程序內部就不是用“\x2D\x4E”來承載，而是用“\xD6\xD0”來承載了 Python2.x里的str和unicode有什么區(qū)別呢？從字面意義上看容易混淆，實際上，你可以把它理解成str是“字節(jié)串”，unicode是“字符串”（string總是翻譯成“字符串”，在這里就很容易把人繞暈），看下面的例子： # -*- coding: gb2312 -*- s = "張三李四" print len(s) #=> 8 u = s.decode('gbk') print len(u) #=> 4 我的腳本編碼用的是GBK，而不是UTF-8，你會看到len(s)是8，這是這四個漢字所用的實際8個“字節(jié)”，而len(u)是4，這就表示這里有4個“字符” encode和decode是什么意思呢？所謂編碼，就是把意義轉換成符號；而解碼，就是把符號還原成意義。在這里，encode應該理解成把抽象的字符轉換成具體的字節(jié)，而decode是把具體的字節(jié)還原成抽象的字符 現在的問題是：str類和unicode類都同時具有encode和decode方法，這是一個讓我很不以為然的設定。如果按照字節(jié)與字符的區(qū) 分，encode方法是應該只歸unicode類所有，decode方法是只歸str類所有的，因為“意義”只能轉換成“符號”，“意義”再還原成“意 義”這本身就沒有意義。 假如我們這樣： # -*- coding: gb2312 -*- s = "張三李四" u = s.decode('gbk') # 沒問題，字節(jié)解碼為字符，符號還原為意義 s2 = s.encode('gbk') # 出錯了！字節(jié)沒法再編碼成字節(jié)，除非s全部是ASCII字符，但是這樣s2和s是完全等同的，這個操作有什么意義？ u2 = u.decode('gbk') # 又出錯了！也只能u只包含ASCII字符，u2和u也是完全等同，這個操作也沒有意義 在這里提一下Perl的處理方式，我不知道Python處理編碼的原理是否是直接得自Python，還是說這是各門語言共同的做法（但是Ruby又不是這樣做的），總之Python2.x是有缺陷的 Perl里只有一種string，它實際也區(qū)分字符串和字節(jié)串（以UTF-8作為底層的承載編碼），但不像Python2.x分str和unicode， 而是string內部有一個utf8的flag，這個flag是on的時候，這個string就是一個“字符”串，這個flag是off的時候就是一個 “字節(jié)”串，它的編碼、解碼函數如下： $octets = encode(ENCODING, $string [, CHECK]) $string = decode(ENCODING, $octets [, CHECK]) $octets就是字節(jié)串，$string就是字符串，也就是說，encode只對$string起作用，而decode只對$octets起作用，不像 Python是str和unicode兩類兩個方法都有，但是其實各有一個是沒用的。Larry Wall是語言學家，他設計的這一套字符、字節(jié)關系是完全符合語言學中的“能指-所指”理論的，而GvR恐怕就對語言學不在行了，Python的處理就不 怎么精妙了。 再來說一下file.write為什么有編碼問題： # -*- coding: gb2312 -*- s = "張三李四" u = s.decode('gbk') f = open('text.txt','w') f.write(u) # 出錯！ f.write(u.encode('gbk')) # 這樣才行 出錯的原因很簡單，你想輸出的是“字符”，而不是“字節(jié)”。上面說過，“字符”是抽象的，你是沒有辦法把一個抽象的東西寫到文件里去的。雖然抽象的字符下 面肯定是有具體的承載字節(jié)的，但是Python似乎并不愿意把unicode底層的字節(jié)跟IO攪在一起，這就導致f.write(a_unicode)的 失敗，當然a_unicode假如只包含ASCII字符，這個可以成功，然而這是一種捷徑，是一條讓人越來越糊涂的捷徑 然后再是u標記的意義是什么？很簡單，就是自動完成字節(jié)→字符的轉換 # -*- coding: gb2312 -*- s_or_u1 = "張三李四" print type(s_or_u1) #=> <type 'str'> s_or_u2 = u"張三李四" print type(s_or_u2) #=> <type 'unicode'> u"張三李四"就相當于"張三李四".decode(a_enc)，這里的a_enc就是#coding行設定的gb2312 不得不說，（不知是不是從Perl得來的）這套字符處理方式很晦澀，字符、字節(jié)區(qū)分的概念實在不太容易理解，而Python本身的細節(jié)處理也沒有做 好，Perl做得很干凈了，都不容易理解，Python沒做干凈更不行了。另外再附贈簡單介紹Ruby的字符處理方式，跟Perl完全不同： Ruby中沒有字符、字節(jié)的區(qū)分，一切字符串都是“帶有一個編碼屬性的字節(jié)串”。因為沒有抽象的字符，所以就沒有字節(jié)→字符的轉換，也就根本沒有、也不需 要decode方法，Ruby的String類只有encode方法。因為沒有抽象的“字符”概念，Ruby的編碼問題應該比Perl、Python容易 理解。沒有“字符”的還有一個好處是：處理多字節(jié)文本無需經過中間轉換。你要在Perl里處理中文字符，來源文件是GBK編碼的，實際都得先轉換成 UTF-8，Perl才能處理：Python要先轉化成UTF-16才能處理。對于海量文本來說，這一轉換過程肯定是要耗費一定的資源的。而Ruby不需 要這種轉換，直接就能處理GBK或其他編碼了?？赡苓@樣做也是考慮了日文的實際，日文的shift-jis（？）是本土編碼，根本都不跟ASCII兼容， 不像GBK是跟ASCII兼容的，這樣做就不必轉換就能處理土著編碼的文檔了。如果說Perl的字符-字節(jié)區(qū)分是語言學家的學院派做法的話，Ruby就是 契合了多字節(jié)字符處理需要的實用派做法。 |
|
|
來自： dbn9981 > 《python與程序設計》
