Codecs模块
这篇文章主要介绍了python自然语言编码转换模块codecs介绍,codecs专门用作编码转换,通过它的接口是可以扩展到其他关于代码方面的转换,需要的朋友可以参考下。
常用说法：
decode->unicode（内部编码格式）
encode->其他编码格式
解码(decode)成内部编码格式unicode,编码(encode)成其他格式。
python对多国语言的处理是支持的很好的，它可以处理现在任意编码的字符，这里深入的研究一下python对多种不同语言的处理。
有一点需要清楚的是，当python要做编码转换的时候，会借助于内部的编码，转换过程是这样的：原有编码 -> 内部编码 -> 目的编码
python的内部是使用unicode来处理的，但是unicode的使用需要考虑的是它的编码格式有两种，一是UCS-2，它一共有65536个码位，另一种是UCS-4，它有2147483648g个码位。对于这两种格式，python都是支持的，这个是在编译时通过–enable-unicode=ucs2或–enable-unicode=ucs4来指定的。那么我们自己默认安装的python有的什么编码怎么来确定呢？有一个办法，就是通过sys.maxunicode的值来判断：
|
import sys |
如果输出的值为65535,那么就是UCS-2,如果输出是1114111就是UCS-4编码。我们要认识到一点：当一个字符串转换为内部编码后，它就不是str类型了！它是unicode类型：
|
a = “风卷残云“ 输出： <type ‘str’> 这个时候b可以方便的任意转换为其他编码，比如转换为utf-8: c = b.encode(“utf-8”) |
好了，该说说codecs模块了，它和我上面说的概念是密切相关的。codecs专门用作编码转换，当然，其实通过它的接口是可以扩展到其他关于代码方面的转换的，这个东西这里不涉及。
|
# 创建gb2312编码器 a = “我爱北京天安门“ print len(a), a |
上面的代码就是codecs的使用，是最常见的用法。另外还有一个问题就是，如果我们处理的文件里的字符编码是其他类型的呢？这个读取进行做处理也需要特殊的处理的。codecs也提供了方法.
|
#-*- encoding: gb2312 -*- # 用codecs提供的open方法来指定打开的文件的语言编码，它会在读取的时候自动转换为内部unicode ss = bfile.read() |
上面这个处理big5的，可以去找段big5编码的文件试试。