python中文編碼&json中文輸出問題

python2.x版本的字符編碼有時讓人很頭疼，遇到問題，網上方法能夠解決錯誤，但對原理仍是隻知其一;不知其二，本文主要介紹 python 中字符串處理的原理，附帶解決 json 文件輸出時，顯示中文而非 unicode 問題。首先簡要介紹字符串編碼的歷史，其次，講解 python 對於字符串的處理，及編碼的檢測與轉換，最後，介紹 python 爬蟲採起的 json 數據存入文件時中文輸出的問題。
參考書籍：Python網絡爬蟲從入門到實踐 by唐鬆

在python 2或者3 ，字符串編碼只有兩類 ：

（1）通用的Unicode編碼；
（2）將Unicode轉化爲某種類型的編碼，如UTF-8，GBK；

一、計算機歷史：

計算機只處理數字，所以處理文本時，必須轉換成數字才行。
8位（bit）=1字節（byte）=256種不一樣狀態=從000000到111111；
1GB=1024M=1024（1024kb）=1024（1024（1024b））；

ASCII編碼 是對應英文字符與二進制數字之間的關係；ASCII一共規定了128種，如大寫字母A是65，即01000001；可見一字母一字節；

GB2312編碼 簡體中文常見的編碼，兩個字節表明一箇中文漢字 ，理論上256*256個編碼，便可表示65536種中文字；

各國編碼不一樣，爲了各國能擴平臺進行文本的轉換與處理，Unicode就被做爲統一碼或者單一碼。Unicode編碼一般是兩個字節，unicode與ASCII編碼的區別，在於unicode在ASCII編碼前加了一個0，即字母A的ASCII編碼爲01000001，unicode編碼即爲0000000001000001;但英文字母其實只用一個字節就夠了，unicode編碼寫英文時多了一個字節，浪費存儲空間。於是unicode開發了通用轉換格式（Unicode Transformation Format(UTF)）,常見的有utf-8或者utf-16；

二、python字符編碼

參考地址：https://www.jb51.net/article/139878.htm

（1）encode的做用是，將unicode對象編碼成其餘編碼的字符串，str.encode('utf-8'),編碼成UTF-8；（2）decode的做用是將其餘編碼的字符串轉換成Unicode編碼，str.decode('UTF-8')；

• import chardet 查閱具體的編碼類型，chardet.detect(str)，可是str不能是unicode編碼類型，可是該方法 不接受 原本已是unicode的編碼的 參數，會有TypeError: Expected object of type bytes or bytearray, got: <type 'unicode'>錯誤；
• 做爲統一標準，unicode不能再被解碼，若是UTF-8想轉至其餘非unicode，則必須（2）先decode 到unicode，在encode到其餘非unicode的編碼。

爬取網頁時，可在F12 elements meta中查看網頁編碼方式，如圖：

(2)中文，Python中的字典可以被序列化到json文件中存入json

with open("anjuke_salehouse.json","w",encoding='utf-8') as f:
    json.dump(all_house,f,ensure_ascii=False,sort_keys=True, indent=4);
    print(u'加載入文件完成...');

存儲數據如圖：

• dump()的第一個參數是要序列化的對象，第二個參數是打開的文件句柄，注意文件打開open()時加上以UTF-8編碼打開，在dump()的時候也加上ensure_ascii=False,否則會變成ascii碼寫到json文件中json.dump(all_house,f,ensure_ascii=False,sort_keys=True, indent=4)

json.dumps()/json.loads()等用法

json_str = json.dumps(all_house,ensure_ascii=False); #all——books 爲列表、字典等python自帶的數據結構，將其寫成json
#print json_str; #[{"brokername": "王東宇"},{},{}]
new_dict = json.loads(json_str);#主要是讀json文件時，須要用到
#print new_dict; #{u'house_area': u'95', u'build_year': u'2005'}

• json.dumps() 是將一個Python數據結構轉換爲一個JSON編碼的字符串,
  {"name": "xiaoming"}

json.loads() 是將一個JSON編碼的字符串（字典形式）轉換爲一個Python數據結構,{u'name': u'xiaoming'}

dumps轉化後鍵與值都變成了雙引號，而在loads後變成python變量時，元素都變成了單引號，而且字符串前加多了個u。
通常要求當要字符串經過loads轉爲python數據類型時，得外層用單引號，裏面元素key和value用雙引號。

• sort_keys：根據key排序

dump與dumps的區別

• dumps(obj, skipkeys=False, ensure_ascii=True, check_circular=True, allow_nan=True, cls=None, indent=None, separators=None, encoding='utf-8', default=None, sort_keys=False, **kw)；dump將一個對象序列化存入文件，dump須要一個相似於文件指針的參數（並非真的指針，可稱之爲類文件對象），能夠與文件操做結合，也就是說能夠將dict轉成str存入文件中，如json.dump(all_house,f,ensure_ascii=False,sort_keys=True, indent=4)中的f表示一個數據待寫入的json文件句柄；
• dump(obj, fp, skipkeys=False, ensure_ascii=True, check_circular=True, allow_nan=True, cls=None, indent=None, separators=None, encoding='utf-8', default=None, sort_keys=False, **kw)；而dumps(str)直接給的是str，也就是直接將字典轉成str，無需寫入文件，相似一個數據格式的轉換方法，將python字符串轉成json字典。
• 因此dumps是將dict轉化成str格式，loads是將str轉化成dict格式。
  dump和load也是相似的功能，只是與文件操做結合起來了。

（3）中文存入txt

f=open('net_saving_data.txt','w',encoding='utf-8');
for item in all_house:
    # house_area=item['house_area'];
    # price=item['price'];
    output='\t'.join([str(item['house_area']),str(item['price']),str(item['build_year']),str(item['house_title'])]);
    f.write(output);
    f.write('\n');
f.close();

• 在2.7.15版本的python中，提示錯誤TypeError: 'encoding' is an invalid keyword argument for this function,沒法傳入encoding的參數，可是在3.7版本可傳入encoding='utf-8'參數，便可對 txt進行中文寫入。

!!NOTE

• 中文寫入txt、json文件是無非就是open()文件時，須要添加utf-8，dump()時，須要添加ensure_ascii=False，防止ascii編碼，可是剛開始由於python版本是2.7.15，不是3.7，致使存儲不成功的時候，一直覺得是代碼的問題。因此最後發現就是版本的問題，也挺傷的。網上關於中文這個編碼問題有不少，可是他們都沒有強調python版本的問題！！！其餘3.xx的版本沒有試過。
• 讀取網頁數據的時候，查看網頁的charset，及chardet庫對編碼類型的查詢，及時進行decode和encode的編碼轉化，應該就能避免不少編碼問題了。其餘的坑之後踩了再補吧。