| 查看: 1286 | 回复: 3 | |||
[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» 猜你喜欢
289材料与化工（085600）B区求调剂
已经有4人回复
-
一志愿武理材料工程348求调剂
已经有6人回复
-
08工科 320总分 求调剂
已经有11人回复
-
一志愿华中农业071010，总分320求调剂
已经有6人回复
-
323求调剂
已经有5人回复
-
284求调剂
已经有5人回复
-
317求调剂
已经有16人回复
-
287求调剂
已经有9人回复
-
求调剂
已经有6人回复
-
308求调剂
已经有3人回复
» 本主题相关价值贴推荐，对您同样有帮助:
- 项目结构编码 求助
已经有4人回复
- 求一篇Nature文献的PDF文件
已经有3人回复
- 通信系统的码率和信道编码的码率有关系不？
已经有4人回复
- 【推荐使用codecs解编码器 让你的Windows Media Player更加完美】
已经有12人回复
- 【课件】信息论与编码（李梅 李亦农）
已经有34人回复
- LDPC 编码的首创者Gallager在1963年的博士论文-清晰完整pdf已搜无重复
已经有18人回复
- 急求一个matlab编码，各位如果知道一定要帮我一把啊
已经有10人回复
- 哪里招通信专业博后，方向，信道编码、协作通信。
已经有4人回复
- 有人做分布式视频编码吗？
已经有5人回复
- 求lagrange插值编码
已经有5人回复
- 请问谁知道莱德尔推出的非编码RNA培训班怎么样啊？
已经有7人回复
- 【求助】请教VB txt文件输出如何让每个数据占用固定长度的字节~~~
已经有4人回复
 |
2楼2012-03-01 18:10:17
lt292
金虫 (正式写手)
Holy Shit
- 应助: 21 (小学生)
- 金币: 1256.1
- 散金: 50
- 红花: 3
- 帖子: 591
- 在线: 36.4小时
- 虫号: 668772
- 注册: 2008-12-05
- 性别: GG
3楼2012-03-01 23:12:17
lurencyj
木虫 (著名写手)
- 应助: 159 (高中生)
- 金币: 2869.2
- 散金: 520
- 红花: 8
- 沙发: 10
- 帖子: 1244
- 在线: 148.3小时
- 虫号: 888093
- 注册: 2009-10-29
- 性别: GG
- 专业: 凝聚态物性I:结构、力学和
4楼2012-03-01 23:59:56
