前言

我們從網(wǎng)上爬取數(shù)據(jù)，最后一步會(huì)考慮如何存儲(chǔ)數(shù)據(jù)。如果數(shù)據(jù)量不大，往往不會(huì)選擇存儲(chǔ)到數(shù)據(jù)庫，而是選擇存儲(chǔ)到文件中，例如文本文件、CSV 文件、xls 文件等。因?yàn)槲募邆鋽y帶方便、查閱直觀。

Python 作為膠水語言，搞定這些當(dāng)然不在話下。但在寫數(shù)據(jù)過程中，經(jīng)常因數(shù)據(jù)源中帶有中文漢字而報(bào)錯(cuò)。最讓人頭皮發(fā)麻的編碼問題。

我先說下編碼相關(guān)的知識(shí)。編碼方式有很多種：UTF-8, GBK, ASCII 等。

ASCII 碼是美國(guó)在上個(gè)世紀(jì) 60 年代制定的一套字符編碼。主要是規(guī)范英語字符和二進(jìn)制位之間的關(guān)系。英語詞匯組成簡(jiǎn)單，由 26 個(gè)字母構(gòu)成。使用一個(gè)字節(jié)就能表示一個(gè)字母符號(hào)。外加各種符號(hào)，使用 128 個(gè)字符就滿足編碼要求。

不同國(guó)家有不同語言文字。同時(shí)，文字組成部分的數(shù)量相比英語字母要多很多。根據(jù)不完全統(tǒng)計(jì)，漢字的數(shù)量大約將近 10 萬個(gè)，日常所使用的漢字有 3000 個(gè)。顯然，ASCII 編碼無法滿足需求。所以漢字采用 GBK 編碼，使用兩個(gè)字節(jié)表示一個(gè)漢字。簡(jiǎn)體中文的編碼方式是 GBK2312。

那 UTF-8 又是什么編碼？這要先說 Unicode 了。Unicode 目的是為了統(tǒng)一各種編碼。因?yàn)楦鲊?guó)都各自的編碼方式。如果使用一種編碼編碼，使用另一種編碼解碼。這會(huì)造成出現(xiàn)亂碼的情況。但 Unicode 只是一個(gè)符號(hào)集，它只規(guī)定了符號(hào)的二進(jìn)制代碼，卻沒有規(guī)定這個(gè)二進(jìn)制代碼應(yīng)該如何存儲(chǔ)。UTF-8 就是在互聯(lián)網(wǎng)上使用最廣的一種 Unicode 的實(shí)現(xiàn)方式。

因此，如果我們要寫數(shù)據(jù)到文件中，最好指定編碼形式為 UTF-8。

Python 標(biāo)準(zhǔn)庫中，有個(gè)名為 csv 的庫，專門處理 csv 的讀寫操作。

Python csv模塊封裝了常用的功能，使用的簡(jiǎn)單例子如下:

# 讀取csv文件import csvwith open('some.csv', 'rb') as f: # 采用b的方式處理可以省去很多問題reader = csv.reader(f)for row in reader:# do something with row, such as row[0],row[1]import csvwith open('some.csv', 'wb') as f: # 采用b的方式處理可以省去很多問題writer = csv.writer(f)writer.writerows(someiterable)

具體使用實(shí)例如下：

import csvimport codecs# codecs 是自然語言編碼轉(zhuǎn)換模塊fileName = 'PythonBook.csv'# 指定編碼為 utf-8, 避免寫 csv 文件出現(xiàn)中文亂碼with codecs.open(fileName, 'w', 'utf-8') as csvfile: # 指定 csv 文件的頭部顯示項(xiàng) filednames = ['書名', '作者'] writer = csv.DictWriter(csvfile, fieldnames=filednames) books = [] book = { 'title': '笑傲江湖', 'author': '金庸', } books.append(book) writer.writeheader() for book in books: try: writer.writerow({'書名':book['title'], '作者':book['author']}) except UnicodeEncodeError: print("編碼錯(cuò)誤, 該數(shù)據(jù)無法寫到文件中, 直接忽略該數(shù)據(jù)")