Python:將utf-8格式的文件轉換成gbk格式的文件

需求：將utf-8格式的文件轉換成gbk格式的文件

實現代碼以下：

def ReadFile(filePath,encoding="utf-8"):
    with codecs.open(filePath,"r",encoding) as f:
        return f.read()
 
def WriteFile(filePath,u,encoding="gbk"):
    with codecs.open(filePath,"w",encoding) as f:
        f.write(u)
 
def UTF8_2_GBK(src,dst):
    content = ReadFile(src,encoding="utf-8")
    WriteFile(dst,content,encoding="gbk")

代碼講解：

函數ReadFile的第二個參數指定以utf-8格式的編碼方式讀取文件，返回的結果content爲Unicode

而後，在將Unicode以gbk格式寫入文件中。

這樣就能實現需求。

可是，若是要轉換格式的文件中包含有一些字符並不包含在gbk字符集中的話，就會報錯，相似以下：

UnicodeEncodeError: 'gbk' codec can't encode character u'\xa0' in position 4813: illegal multibyte sequence

以上的報錯信息的意思是：在將Unicode編碼成gbk的時候，不能將Unicode u'\xa0'編碼成gbk。

這裏，咱們須要弄清楚gb23十二、gbk和gb18030三者之間的關係

GB2312：6763個漢字

GBK：21003個漢字

GB18030-2000：27533個漢字

GB18030-2005：70244個漢字

因此，GBK是GB2312的超集，GB18030是GBK的超集。

理清了關係以後，咱們進一步改進下代碼：

def UTF8_2_GBK(src,dst):
    content = ReadFile(src,encoding="utf-8")
    WriteFile(dst,content,encoding="gb18030")

運行後，發現沒有報錯，能夠正常運行。

由於，在GB18030字符集中，能夠找到u'\xa0'對應的字符。

 此外，還有另一種實現方案：

須要修改下WriteFile方法

def WriteFile(filePath,u,encoding="gbk"):
    with codecs.open(filePath,"w") as f:
        f.write(u.encode(encoding,errors="ignore"))

這裏，咱們將Unicode編碼（encode）成gbk格式，可是注意encode函數的第二個參數，咱們賦值"ignore"，表示在編碼的時候，忽略掉那些沒法編碼的字符，

解碼同理。

可是，當咱們執行後，發現能夠成功的將utf-8格式的文件修改爲了ansi格式。但，另外發現生成的文件中，每一個一行都有一行空行。

這裏，能夠指定以二進制流的形式寫文件，修改後的代碼以下：

def WriteFile(filePath,u,encoding="gbk"):
    with codecs.open(filePath,"wb") as f:
        f.write(u.encode(encoding,errors="ignore"))

相關文章：

http://www.crifan.com/python_csv_writer_writerow_redundant_new_line/  
http://www.v2ex.com/t/40033