python 字符編碼問題

緣由

近期，用Python處理一些中文的字符串，可是用Python讀取文件的中文字符和在代碼中輸入的中文字符，在判斷處理時，例如判斷「相等」或者「包含」，老是不能判斷，相等或者包含都不起做用。看了字符的編碼，源文件輸入的中文字符，是2個字節表示，讀入的文件，是3個字節表示。在網上找了不少資料，大多和個人問題不想關，這裏就根據本身的領悟和網上不錯的資源跟你們分享一下。

問題分析

不要把Python和Java混淆，Python是腳本語言，不會編譯生成可執行文件，而Java會編譯代碼，造成可執行的class文件，在編碼上，Java會在造成class的時候，採用Unicode直接編碼相似中文的字符串，而Python，你即便在文件的第一行聲明瞭編碼，有時我也感受不起做用，只是不會在保存時，重複提醒你在代碼中使用的特殊字符。

網上有不少decode，encode，看的我一陣頭大，之前不知爲什麼物，這裏解釋一下：字符串在Python內部的表示，都是以Unicode形式，因此在作編碼轉換時，都是以Unicode做爲中間形式；而將其餘編碼轉化爲Unicode的過程，成爲decode，將Unicode轉化成其餘編碼的過程，成爲encode。在源代碼中，你輸入的，是你編輯器默認的編碼，多是utf-8,，也多是gbk或者其餘編碼，因此寫代碼，你要明白 你的編輯器環境的編碼方式。在這裏我就是我剛裝不久Python，用的是默認的IDE，裏面沒有設置編碼，致使源碼中採用了Windows默認的編碼「gbk」（2個字節），而我讀入的文件則是utf-8表示（三個字節）。而在Python中，它不會自動將這些字符串轉成Unicode形式，採用的是什麼編碼，就是什麼編碼。因此在比較或者包含時，編輯器裏的中文是兩個字節，讀入的文件，是三個字節，編碼格式就不同，更不要談比較或者包含了。

解決方法

知道了問題出在哪，那就好解決了。

方法一： 我直接將編輯器環境在設置裏面，設置成utf-8，解決問題了。

方法二：對於編輯器裏寫的中文編碼和讀取的文件的編碼，都decode成Unicode形式。

方法三：經過Unicode形式，轉化成一種編碼格式，utf-8或者gbk（我的建議utf-8，代碼中屬於比較默認一類的）.

s1 = unicode('你好','gbk')  #這裏是window是環境，輸入的要經過gbk進行Unicode
s2 = unicode(input, 'utf-8') #讀入的文件爲utf-8，要使用utf-8

#或者用方法二中直接採用 decode，你們能夠本身找找，自主學習和實踐，是每一個IT人必須的

附加

注意一下：window中文默認的是gbk，而Linux默認的通常都是utf-8,這個在編碼或者處理字符處理，或者文本處理時，要注意，出了問題可能不是代碼的問題。

若是想着更多瞭解Unicode，utf-8或者其餘編碼，推薦看看一個博主的博客，《字符編碼的發展歷程》，博文地址：http://blog.csdn.net/sfdev/article/details/3770706。

我通常寫博客都是本身用來記住犯過的錯，寫的很少，也不會寫太多，見諒。文字太多，圖片較少，這是大部分IT人最不肯看到的，可是要作個「耐心」的IT人，以此警醒。