python 处理中文文件时的编码问题，尤其是utf-8和gbk

python代码文件的编码

py文件默认是ASCII编码，中文在显示时会做一个ASCII到系统默认编码的转换，这时就会出错：SyntaxError: Non-ASCII character。需要在代码文件的第一行或第二行添加编码指示：

1. # coding=utf-8 ##以utf-8编码储存中文字符
2. print ‘中文‘像上面那样直接输入的字符串是按照代码文件的编码来处理的，如果用unicode编码，有以下2种方式：
   

   1. s1 = u‘中文‘ #u表示用unicode编码方式储存信息
   2. s2 = unicode(‘中文‘,‘gbk‘)

unicode是一个内置函数，第二个参数指示源字符串的编码格式。

decode是任何字符串具有的方法，将字符串转换成unicode格式，参数指示源字符串的编码格式。

encode也是任何字符串具有的方法，将字符串转换成参数指定的格式。

python字符串的编码

用 u‘汉字‘ 构造出来的是unicode类型，不用的话构造出来是str类型

str的编码是与系统环境相关的，一般就是sys.getfilesystemencoding()得到的值

所以从unicode转str，要用encode方法

从str转unicode，所以要用decode

例如：

# coding=utf-8   #默认编码格式为utf-8

s = u‘中文‘ #unicode编码的文字
print s.encode(‘utf-8‘)   #转换成utf-8格式输出
print s #效果与上面相同，似乎默认直接转换为指定编码

我的总结：

u=u‘unicode编码文字‘
g=u.encode(‘gbk‘) #转换为gbk格式
print g #此时为乱码，因为当前环境为utf-8,gbk编码文字为乱码
str=g.decode(‘gbk‘).encode(‘utf-8‘)   #以gbk编码格式读取g（因为他就是gbk编码的）并转换为utf-8格式输出
print str #正常显示中文

安全的方法：

s.decode(‘gbk‘,‘ignore‘).encode(‘utf-8′) #以gbk编码读取（当然是读取gbk编码格式的文字了）并忽略错误的编码，转换成utf-8编码输出

因为decode的函数原型是decode([encoding], [errors=‘strict‘])，可以用第二个参数控制错误处理的策略，默认的参数就是strict，代表遇到非法字符时抛出异常；

如果设置为ignore，则会忽略非法字符；
如果设置为replace，则会用?取代非法字符；
如果设置为xmlcharrefreplace，则使用XML的字符引用。