python实现把utf

需求:将utf-8格式的文件转换成gbk格式的文件

实现代码如下:

代码如下:

def readfile(filepath,encoding=”utf-8″):
with codecs.open(filepath,”r”,encoding) as f:
return f.read()

def writefile(filepath,u,encoding=”gbk”):
with codecs.open(filepath,”w”,encoding) as f:
f.write(u)

def utf8_2_gbk(src,dst):
content = readfile(src,encoding=”utf-8″)
writefile(dst,content,encoding=”gbk”)

代码讲解:

函数readfile的第二个参数指定以utf-8格式的编码方式读取文件,返回的结果content为unicode然后,在将unicode以gbk格式写入文件中。

这样就能实现需求。
但是,如果要转换格式的文件中包含有一些字符并不包含在gbk字符集中的话,就会报错,类似如下:

代码如下:

unicodeencodeerror: ‘gbk’ codec can’t encode character u’\xa0′ in position 4813: illegal multibyte sequence

以上的报错信息的意思是:在将unicode编码成gbk的时候,不能将unicode u’\xa0’编码成gbk。

这里,我们需要弄清楚gb2312、gbk和gb18030三者之间的关系

代码如下:

gb2312:6763个汉字
gbk:21003个汉字
gb18030-2000:27533个汉字
gb18030-2005:70244个汉字

所以,gbk是gb2312的超集,gb18030是gbk的超集。
理清了关系之后,我们进一步改进下代码:

代码如下:

def utf8_2_gbk(src,dst):
content = readfile(src,encoding=”utf-8″)
writefile(dst,content,encoding=”gb18030″)

运行后,发现没有报错,可以正常运行。

因为,在gb18030字符集中,可以找到u’\xa0’对应的字符。
此外,还有另外一种实现方案:
需要修改下writefile方法

代码如下:

def writefile(filepath,u,encoding=”gbk”):
with codecs.open(filepath,”w”) as f:
f.write(u.encode(encoding,errors=”ignore”))

这里,我们将unicode编码(encode)成gbk格式,但是注意encode函数的第二个参数,我们赋值”ignore”,表示在编码的时候,忽略掉那些无法编码的字符,解码同理。

但是,当我们执行后,发现可以成功的将utf-8格式的文件修改成了ansi格式。但,另外发现生成的文件中,每个一行都有一行空行。

这里,可以指定以二进制流的形式写文件,修改后的代码如下:

代码如下:

def writefile(filepath,u,encoding=”gbk”):
with codecs.open(filepath,”wb”) as f:
f.write(u.encode(encoding,errors=”ignore”))

Posted in 未分类

发表评论