学步园

你要是碰到该问题了，并且google了，那么估计你已经快无奈了。希望下面的说明对你有用。

本文主要说明如何从网站获取页面，并且如何查找页面中的中文字符。实验中的平台为python 2.7  。

python2.7 太直接了，操作系统给它什么格式编码的字符串，它就接收啥格式的字符串，默认的格式与你使用的格式不同，因此，各种错误出现了。

解决方法：

1.知道系统所使用的编码格式

2.把获取的页面先用系统格式解码，然后在编码为utf8格式

3.你的脚本中统一使用uft8编码

4.处理结束，把你的字符串先utf8解码，然后系统格式编码。

流程结束

# -*- coding: utf-8 -*-

import sys
import urllib2  

# 获得系统默认编码格式
sysCharType = sys.getfilesystemencoding()

# 获取页面
headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}  
req = urllib2.Request("http://www.baidu.com/", headers=headers)  
html = urllib2.urlopen(req).read()

sysHtml = html.decode(sysCharType).encode('utf-8')
s  = '百度一下，你就知道'

if html.find(s)!= -1:
    print '未经转化 字符匹配'
else:
    print '未经转化 字符不匹配'
    
if sysHtml.find(s)!= -1:
    print '经过转化 字符匹配'
else:
    print '经过转化 字符不匹配'

另，看了kiki113的文章后，大有收获。kiki113的原始帖子地址。

str为字节数组，它仅仅是一个字节流，没有其它的含义。而unicode是一种编码格式。我们可以把具有unicode编码格式的字符串看做字节流，但是不能把随意一个字节流当做unicode字符串解释。这就是在进行字符编码转化中经常发生问题的直接原因。

在python中，如果将一个str直接编码成另一种编码例如UTF-8，则系统先把str解码成unicode，然后把unicode编码格式转化为目标格式(UTF-8)，而从str到unicode过程中，系统认为str为默认编码格式，一般认为是ASCII，如果原始编码不是ASCII则会发生错误。

下面来看几个例子
1.查看默认编码格式

>>> import sys
>>> sys.getdefaultencoding()
'ascii'
>>> s = '您好'
>>> s
'\xc4\xfa\xba\xc3' #这是GBK编码格式的字节流
>>> s1=u'您好'
>>> s1
u'\xc4\xfa\xba\xc3'# 这个吗，看看对象类型。u的意义是声明它后面跟随的字符串是unicode格式编码，如果不是，则会出错。
<type 'str'>
>>> type(s1)
<type 'unicode'> #s1是unicode类型的，但是里面的内容是GBK格式的

转化到utf-8格式

>>> su = s.encode('utf-8')


Traceback (most recent call last):
  File "<pyshell#9>", line 1, in <module>
    su = s.encode('utf-8')
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in range(128)
直接转化发生错误


>>> su = s.decode('gbk').encode('utf-8')
>>> su
'\xe6\x82\xa8\xe5\xa5\xbd'
>>> print su
鎮ㄥソ
>>> sun = su.decode('utf-8')
>>> sun
u'\u60a8\u597d'
>>> print sun
您好
>>> s.decode('gbk')
u'\u60a8\u597d'


s1.decode('gbk')
Traceback (most recent call last): File "<pyshell#17>", line 1, in <module> s1.decode('gbk')UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-3: ordinal not in range(128)

文件的编码格式和编码声明的作用 把'您好'分别保存为 ASCII格式文件，unicode格式文件，和UTF-8格式文件，使用16进制文件查看其查看文件内容。

可见，采用不同的编码格式，看起来一样的字符，其存储格式是不同的。编码声明就是显式的说明文件中的字符编码格式，并且告知系统，后面遇到的字符，全按照声明的格式去解释。例如脚本文件

s = '您好'
print repr(s)

a.如果文件格式为utf-8，则str的值为：'\xe6\x82\xa8\xe5\xa5\xbd'
b.如果文件格式为ASCII，则str的值为：'\xc4\xfa\xba\xc3' 

如果编码格式和声明不相符合呢？

文件为UTF-8格式保存，声明为GBK

# -*- coding: GBK -*-

s = '您好'
print repr(s)
print s

运行结果

'\xe6\x82\xa8\xe5\xa5\xbd'
鎮ㄥソ

文件为ASCII,声明为UTF-8（我们知道文件会被保存为GBK格式）

'\xc4\xfa\xba\xc3'
您好

根据上面的讨论，这个好像是理所当然的。来点神奇的。

文件为UTF-8格式保存，声明为GBK

# -*- coding: GBK -*-

s = u'您好'
print repr(s)
print s

运行结果为

u'\u93ae\u3125\u30bd'
鎮ㄥソ

为什么会这样？在运行ss = u'您好'的时候，整个过程可分为以下几步：

1) 获取'您好'的编码：由文件编码格式确定，为‘\xe6\x82\xa8\xe5\xa5\xbd’

2) 转成unicode编码的时候，根据文件的显示编码格式声明对'\xe6\x82\xa8\xe5\xa5\xbd'解码，不是用utf-8解码，而是用声明编码处指定的编码GBK解码，得到字符串‘鎮ㄥソ’'，这三个字的unicode编码就是u'/u93ae/u3125/u30bd'，因此 print repr(ss)输出的是/u93ae/u3125/u30bd。