關(guān)于Python的文本文件轉(zhuǎn)換編碼問題
前言
因?yàn)榫幊痰脑颍?jīng)成會遇到字符編碼的問題。如開發(fā)工具使用的是UTF-8編碼(推薦使用),然后需要導(dǎo)入一個從其它地方獲取的工程項(xiàng)目,但是這個工程使用了GBK編碼方式。這就導(dǎo)致了一個常見的問題 ——亂碼。
測試數(shù)據(jù)
注:測試文本采用UTF-8編碼,通常漢字是占三個字節(jié)。GBK中漢字通常是占2個字節(jié)。
編碼轉(zhuǎn)換代碼
import os # 對于單個文件進(jìn)行操作的函數(shù),如果需要對文件夾進(jìn)行操作,可以使用一個函數(shù)包裝它,這樣不用修改本函數(shù),即達(dá)到擴(kuò)展的目的了。 def transfer_encode(source_path, target_path, source_encode='GBK', target_encode='UTF-8'): with open(source_path, mode='r', errors='ignore', encoding=source_encode) as source_file: # 讀取文件時(shí),如果直接忽略報(bào)錯,則程序正常執(zhí)行,但是文件已經(jīng)損壞了。 with open(target_path, mode='w', encoding=target_encode) as target_file: # 所以,應(yīng)該捕獲異常,停止程序執(zhí)行。 line = source_file.readline() while line != '': target_file.write(line) line = source_file.readline() print("Execute End!") # 這個函數(shù)的功能和上面是一樣的,區(qū)別在于它是以二進(jìn)制讀取的,然后解碼、轉(zhuǎn)碼再寫入的 def transfer_encode2(source_path, target_path, source_encode='GBK', target_encode='UTF-8'): with open(source_path, mode='rb') as source_file: with open(target_path, mode="wb") as target_file: bs = source_file.read(1024) while len(bs) != 0: target_file.write(bs.decode(source_encode).encode(target_encode)) bs = source_file.read(1024) print("Execute End!") source_path = r'C:\Users\Alfred\Desktop\test_data\test\data.txt' target_path = r'C:\Users\Alfred\Desktop\test_data\test\data1.txt' transfer_encode(source_path=source_path, target_path=target_path, source_encode="UTF-8", target_encode="GBK") # transfer_encode2(source_path=source_path, target_path=target_path) # 在cmd中使用 type命令,可以查看文件的內(nèi)容,并且使用cmd默認(rèn)的編碼。 # 使用 chcp 命令可以查看當(dāng)前使用的編碼的數(shù)字編號
執(zhí)行結(jié)果
控制臺輸出 這個函數(shù)執(zhí)行的輸出沒有什么意義,只是我要知道它執(zhí)行了沒,所以打印的。
測試文件夾 data1.txt是轉(zhuǎn)換編碼后的文本。
從生成的文件來看,因?yàn)橹缓幸粋€字,所以只比較大小就知道是否轉(zhuǎn)換成功了。當(dāng)然了,直接打開查看也是可以的,但是直接打開查看的話,沒有什么效果,都會顯示一個漢字龍。所以,這里我們另辟蹊徑,使用不一樣的查看方式!
注意:data.txt是采用的UTF-8編碼的,而data1.txt是采用的GBK編碼的。因?yàn)閲鴥?nèi)使用的Windows默認(rèn)采用的中國的編碼方式,所以它顯示不了UTF-8編碼的文本。第三個輸出是查看當(dāng)前使用的編碼,它返回的是編碼的代號,詳見下圖:
注:GBK是兼容GB2312的編碼。
說明
使用python的話,對于單個文件進(jìn)行編碼轉(zhuǎn)換,只需要7行代碼就夠了!上面我寫了兩個函數(shù),但是功能是一樣的,區(qū)別在于第一個函數(shù)是以特定的編碼方式讀取文本信息,然后直接以另一種編碼方式寫入。第二個函數(shù)是以二進(jìn)制形式讀取文件內(nèi)容,然后解碼再轉(zhuǎn)碼寫入。它的原理都是一樣的,即必須包括依次解碼和轉(zhuǎn)碼操作。
編碼、解碼、字符集本身是很復(fù)雜的,往深入了講我也不會了。這里可以這樣簡化理解,兩個不同編碼的字符集具有相同的字符,所以將UTF-8編碼文件讀取出來,是為了得到它映射的字符,然后再寫入,是為了將它映射為另一種編碼字符集,所以說字符類似于中轉(zhuǎn)站的功能。 而直接使用一種字符集去讀取另一種字符集的內(nèi)容,就會出現(xiàn)上面cmd中顯示的亂碼。
PS: 所以,也可以解釋一個問題,即為什么打開一個大的文本文件,會導(dǎo)致程序卡死!因?yàn)橐粋€大的文本文件,里面包含了很多需要解碼的字符。這就和排隊(duì)有點(diǎn)類似,每一個字符等待被解碼,雖然處理一個字符很快,但是一個大的文本文件,包含了大量的字符。例如,notepad++打開大文本毫無壓力, 我打開這個超大型的文本,還是直接把它卡死了?。ㄟ@里的排隊(duì)只是一個比喻,實(shí)際的情況我也不太清楚,但是它一定是需要挨個處理的。)
我們對其進(jìn)行估計(jì),假設(shè)所有字符都是中文(實(shí)際的話,還是包含一些英文的,當(dāng)總的來說還是中文占多數(shù)。)這里顯示是大約5千萬的字符需要解碼,所以計(jì)算機(jī)處理起來仍然是很吃力的,notepad++可以查看摘要,但是直接打開就卡死了,這里就不進(jìn)行嘗試了。
到此這篇關(guān)于關(guān)于Python的文本文件轉(zhuǎn)換編碼問題的文章就介紹到這了,更多相關(guān)Python的文本文件轉(zhuǎn)換編碼內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
微信小程序python用戶認(rèn)證的實(shí)現(xiàn)
這篇文章主要介紹了微信小程序python用戶認(rèn)證的實(shí)現(xiàn),文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07使用Python爬蟲庫BeautifulSoup遍歷文檔樹并對標(biāo)簽進(jìn)行操作詳解
今天為大家介紹下Python爬蟲庫BeautifulSoup遍歷文檔樹并對標(biāo)簽進(jìn)行操作的詳細(xì)方法與函數(shù)2020-01-01python requests更換代理適用于IP頻率限制的方法
今天小編就為大家分享一篇python requests更換代理適用于IP頻率限制的方法,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-08-08python網(wǎng)絡(luò)編程:socketserver的基本使用方法實(shí)例分析
這篇文章主要介紹了python網(wǎng)絡(luò)編程:socketserver的基本使用方法,結(jié)合實(shí)例形式分析了python網(wǎng)絡(luò)編程中socketserver的基本功能、使用方法及操作注意事項(xiàng),需要的朋友可以參考下2020-04-04淺談關(guān)于Python3中venv虛擬環(huán)境
這篇文章主要介紹了淺談關(guān)于Python3中venv虛擬環(huán)境,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧2018-08-08pytorch中的squeeze函數(shù)、cat函數(shù)使用
這篇文章主要介紹了pytorch中的squeeze函數(shù)、cat函數(shù)使用,具有很好的參考價(jià)值,希望對大家有所幫助。如有錯誤或未考慮完全的地方,望不吝賜教2021-05-05Python實(shí)現(xiàn)K-近鄰算法的示例代碼
k-近鄰算法(K-Nearest Neighbour algorithm),又稱 KNN 算法,是數(shù)據(jù)挖掘技術(shù)中原理最簡單的算法。本文將介紹實(shí)現(xiàn)K-近鄰算法的示例代碼,需要的可以參考一下2022-09-09