將GBK'哈哈'轉換成unicode，然后再轉換成UTF8

如上圖的演示代碼所示：

當把s(gbk字符串)直接編碼成utf-8的時候，將拋出異常，但是通過調用如下代碼：

import sys

reload(sys)

sys.setdefaultencoding('gbk')

建立一個文件test.txt，文件格式用ANSI，內容為:

abc中文

用python來讀取

# coding=gbk

print open("Test.txt").read()

結果：abc中文

把文件格式改成UTF-8：

結果：abc涓鏂

顯然，這里需要解碼：

# coding=gbk

import codecs

print open("Test.txt").read().decode("utf-8")

結果：abc中文

上面的test.txt我是用Editplus來編輯的，但當我用Windows自帶的記事本編輯并存成UTF-8格式時，

運行時報錯：

Traceback (most recent call last):

File "ChineseTest.py", line 3, in 

print open("Test.txt").read().decode("utf-8")

UnicodeEncodeError: 'gbk' codec can't encode character u'/ufeff' in position 0: illegal multibyte sequence

原來，某些軟件，如notepad，在保存一個以UTF-8編碼的文件時，會在文件開始的地方插入三個不可見的字符（0xEF 0xBB 0xBF，即BOM）。

因此我們在讀取時需要自己去掉這些字符，python中的codecs module定義了這個常量：

# coding=gbk

import codecs

data = open("Test.txt").read()

if data[:3] == codecs.BOM_UTF8:

data = data[3:]

print data.decode("utf-8")

結果：abc中文

五、文件的編碼格式和編碼聲明的作用

源文件的編碼格式對字符串的聲明有什么作用呢？這個問題困擾一直困擾了我好久，現在終于有點眉目了，文件的編碼格式決定了在該源文件中聲明的字符串的編碼格式，例如：

str = '哈哈'

print repr(str)

a.如果文件格式為utf-8，則str的值為：'/xe5/x93/x88/xe5/x93/x88'（哈哈的utf-8編碼）

b.如果文件格式為gbk，則str的值為：'/xb9/xfe/xb9/xfe'（哈哈的gbk編碼）

在第一節已經說過，python中的字符串，只是一個字節數組，所以當把a情況的str輸出到gbk編碼的控制臺時，就將顯示為亂碼：鍝堝搱；而當把b情況下的str輸出utf-8編碼的控制臺時，也將顯示亂碼的問題，是什么也沒有，也許'/xb9/xfe/xb9/xfe'用utf-8解碼顯示，就是空白吧。>_<

#coding:gbk

ss = u'哈哈'

print repr(ss)

print 'ss:%s' % ss

將這個些代碼保存成一個utf-8文本，運行，你認為會輸出什么呢？大家第一感覺肯定輸出的肯定是：

u'/u54c8/u54c8'

ss:哈哈

但是實際上輸出是：

u'/u935d/u581d/u6431'

ss:鍝堝搱

為什么會這樣，這時候，就是編碼聲明在作怪了，在運行ss = u'哈哈'的時候，整個過程可以分為以下幾步：

1) 獲取'哈哈'的編碼：由文件編碼格式確定，為'/xe5/x93/x88/xe5/x93/x88'（哈哈的utf-8編碼形式）

2) 轉成 unicode編碼的時候，在這個轉換的過程中，對于'/xe5/x93/x88/xe5/x93/x88'的解碼，不是用utf-8解碼，而是用聲明編碼處指定的編碼GBK，將'/xe5/x93/x88/xe5/x93/x88'按GBK解碼，得到就是''鍝堝搱''，這三個字的unicode編碼就是u'/u935d/u581d/u6431'，至止可以解釋為什么print repr(ss)輸出的是u'/u935d/u581d/u6431' 了。

好了，這里有點繞，我們來分析下一個示例：

#-*- coding:utf-8 -*-

ss = u'哈哈'

print repr(ss)

print 'ss:%s' % ss

將這個示例這次保存成GBK編碼形式，運行結果，竟然是：

UnicodeDecodeError: 'utf8' codec can't decode byte 0xb9 in position 0: unexpected code byte

這里為什么會有utf8解碼錯誤呢？想想上個示例也明白了，轉換第一步，因為文件編碼是GBK，得到的是'哈哈'編碼是GBK的編碼'/xb9/xfe/xb9/xfe'，當進行第二步，轉換成 unicode的時候，會用UTF8對'/xb9/xfe/xb9/xfe'進行解碼，而大家查utf-8的編碼表會發現，utf8編碼表（關于UTF- 8解釋可參見字符編碼筆記：ASCII、UTF-8、UNICODE）中根本不存在，所以會報上述錯誤。