24小时热门版块排行榜

南方科技大学公共卫生及应急管理学院2026级博士研究生招生报考通知（长期有效）

返回列表

mybag1

木虫 (正式写手)

应助: 0 (幼儿园)
金币: 4231.4
红花: 8
帖子: 417
在线: 140.8小时
虫号: 74762
注册: 2005-06-14
专业: 人力资源管理

[交流] (原创)将unicode编码的txt文件转为utf-8编码已有2人参与

# coding=UTF-8
import string
import codecs
def changecode():
tt=codecs.open('c:\\111.txt','rb','utf-16')  #111.txt为unicode编码文件，以unicode编码打开，utf-16=unicode
mm=open('c:\\123.txt','wb')
ff=tt.readlines()

for i in ff:
      print i
      mm.write(i.encode('UTF-8'))
      mm.write('123')  #添加‘123’是为了判断是否将以上文件全部转完。使用中发现，第一次用时，常常只转了一部分，没到结束，再运行一次就能全转为，我也没找到具体原因，所以加了这么一条判断。
tt.close
mm.close

def checkyes():
nn=open('c:\\123.txt','rb')
nnff=nn.readlines()
nn.close()
if nnff[-1]=='123':
      print "finish"

changecode()
checkyes()

对codecs的解释供学习使用：该解释转自：http://blog.csdn.net/zhaoweikid/article/details/1642015
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
print sys.maxunicode

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"
print type(a)
b = a.unicode(a, "gb2312" )
print type(b)

输出：

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" )
print c

c输出的东西看起来是乱码，那就对了，因为是utf-8的字符串。
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。

#-*- encoding: gb2312 -*-
import codecs, sys

print '-'*60
# 创建gb2312编码器
look  = codecs.lookup("gb2312" )
# 创建utf-8编码器
look2 = codecs.lookup("utf-8" )

a = "我爱北京天安门"

print len(a), a
# 把a编码为内部的unicode, 但为什么方法名为decode呢，我的理解是把gb2312的字符串解码为unicode
b = look.decode(a)
# 返回的b[0]是数据，b[1]是长度，这个时候的类型是unicode了
print b[1], b[0], type(b[0])
# 把内部编码的unicode转换为gb2312编码的字符串，encode方法会返回一个字符串类型
b2 = look.encode(b[0])
# 发现不一样的地方了吧？转换回来之后，字符串长度由14变为了7! 现在的返回的长度才是真正的字数，原来的是字节数
print b2[1], b2[0], type(b2[0])
# 虽然上面返回了字数，但并不意味着用len求b2[0]的长度就是7了，仍然还是14，仅仅是codecs.encode会统计字数
print len(b2[0])

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 -*-
import codecs, sys

# 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
bfile = codecs.open("dddd.txt", 'r', "big5" )
#bfile = open("dddd.txt", 'r')

ss = bfile.read()
bfile.close()
# 输出，这个时候看到的就是转换后的结果。如果使用语言内建的open函数来打开文件，这里看到的必定是乱码
print ss, type(ss)

[ Last edited by jjdg on 2012-3-2 at 03:06 ]

回复此楼