Python转码问题

 在Python中,可以对String调用decode和encode方法来实现转码.

比如,若要将某个String对象s从gbk内码转换为UTF-8,可以如下操作:

s.decode('gbk').encode('utf-8')

可是,在实际开发中,我发现,这种办法经常会出现异常:

UnicodeDecodeError: 'gbk' codec can't decode bytes in position 30664-30665: illegal multibyte sequence

这是因为遇到了非法字符 - 尤其是在某些用C/C++编写的程序中,全角空格往往有多种不同的实现方式,比如\xa3\xa0或者\xa4\x57,这些字符看起来都是全角空格,但它们并不是"合法"的全角空格(真正的全角空格是\xa1\xa1),因此在转码的过程中出现了异常.

这样的问题很让人头疼,因为只要字符串中出现了一个非法字符,整个字符串 - 有时候,就是整篇文章 - 就都无法转码.

幸运的是,tiny找到了完美的解决办法:

s.decode('gbk', 'ignore').encode('utf-8')

#在读取出来的时候将忽略掉这种全半角的关系了！

因为decode的函数原型是decode([encoding], [errors='strict']),可以用第二个参数控制错误处理的策略,默认的参数就是strict,代表遇到非法字符时抛出异常;

如果设置为ignore,则会忽略非法字符;

如果设置为replace,则会用?取代非法字符;

如果设置为xmlcharrefreplace,则使用XML的字符引用.
特别是在处理从数据库中读取数据信息的时候往往就会有这种全半角之分的。这个时候就需要进行处理了！