Python处理中文字符与编码详解

"Python中文编码处理" 在Python中处理中文字符和编码是一个常见的需求，特别是在处理中文数据或者创建包含中文注释的代码时。本文主要介绍了如何在Python中正确使用和处理中文字符。 首先，当Python源代码中包含非ASCII编码的中文字符时，必须在文件开头声明编码方式。这是通过在第一行或第二行添加特殊的注释来实现的，例如： ```python #!/usr/bin/env python # -*- coding: cp936 -*- ``` 这里声明的是使用`cp936`（即GBK编码）编码。Python官方文档建议使用这种格式来定义源文件的编码方式，这样Python解释器在读取文件时会按照指定的编码解码字符。 然而，仅仅在源代码中声明编码还不够，因为不同的编辑器可能使用不同的默认编码保存文件。因此，在保存.py文件时，需要确保编辑器以声明的编码（如`cp936`）进行保存，否则可能会导致编码错误。 接下来，我们讨论如何在Python中存储和操作中文字符。Python有内置的Unicode支持，可以使用`u"..."`前缀来创建Unicode字符串，如： ```python >>> str = u"中文" >>> str u'\xd6\xd0\xce\xc4' ``` 这里的`u"中文"`是一个Unicode字符串，但它的内部表示仍然是UTF-8编码的字节序列。要将这些字节转换为真正的Unicode，可以使用`decode()`方法，比如： ```python >>> str = "中文" >>> str.decode('gb2312') u'\u4e2d\u6587' ``` 在这里，`decode('gb2312')`将GBK编码的字节序列转换为Unicode字符串。 要注意，Python的字符串长度计算是基于字节的，而非字符。因此，对于非ASCII字符，如中文，单个字符可能由多个字节组成。例如： ```python >>> s = '中文test' >>> len(s) 8 >>> len(s.decode('gb2312')) 6 ``` `len(s)`返回8是因为字符串中有8个字节，而`len(s.decode('gb2312'))`返回6是因为解码后得到了6个Unicode字符。 处理Python中的中文字符涉及的关键点是声明源文件的编码，理解Unicode字符串与字节序列的区别，以及正确使用`decode()`和`encode()`方法进行编码转换。在处理中文数据时，要特别注意编码的一致性，避免出现乱码问题。