python处理中文

来源：http://www.djangochina.cn/forum.php?mod=viewthread&tid=118977&extra=page%3D1

字符串在Python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。

decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode('gb2312')，表示将gb2312编码的字符串str1转换成unicode编码。

encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode('gb2312')，表示将unicode编码的字符串str2转换成gb2312编码。

代码中字符串的默认编码与代码文件本身的编码一致。

如：s='中文'

如果是在utf8的文件中，该字符串就是utf8编码，如果是在gb2312的文件中，则其编码为gb2312。这种情况下，要进行编码转换，都需要先用decode方法将其转换成unicode编码，再使用encode方法将其转换成其他编码。

如果字符串是这样定义：s=u'中文'

则该字符串的编码就被指定为unicode了，即python的内部编码，而与代码文件本身的编码无关。因此，对于这种情况做编码转换，只需要直接使用encode方法将其转换成指定编码即可。

以日期为例：

1. #raw_date is a gbk-coding string
2. def parse_date(raw_date):
3.     entry_date = raw_date.decode("gbk")
4.     month = int(entry_date[0])
5. #unicode 对中文的长度是1，如果6月2日那么长度就是4，如果6月25日，长度就是5
6.     if len(entry_date) == 5:
7.         day = 10 * int(entry_date[2]) + int(entry_date[3])
8.     else:
9.         day = int(entry_date[2])
10.     return 2013, month, day

复制代码

python, 中文