需求:將utf-8格式的文件轉換成gbk格式的文件
實現代碼如下:
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")
代碼講解:
函數ReadFile的第二個參數指定以utf-8格式的編碼方式讀取文件,返回的結果content爲Unicode
然後,在將Unicode以gbk格式寫入文件中。
這樣就能實現需求。
但是,如果要轉換格式的文件中包含有一些字符並不包含在gbk字符集中的話,就會報錯,類似如下:
UnicodeEncodeError: 'gbk' codec can't encode character u'\xa0' in position 4813: illegal multibyte sequence
以上的報錯信息的意思是:在將Unicode編碼成gbk的時候,不能將Unicode u'\xa0'編碼成gbk。
這裏,我們需要弄清楚gb2312、gbk和gb18030三者之間的關係
GB2312:6763個漢字
GBK:21003個漢字
GB18030-2000:27533個漢字
GB18030-2005:70244個漢字
所以,GBK是GB2312的超集,GB18030是GBK的超集。
理清了關係之後,我們進一步改進下代碼:
def UTF8_2_GBK(src,dst): content = ReadFile(src,encoding="utf-8") WriteFile(dst,content,encoding="gb18030")
運行後,發現沒有報錯,可以正常運行。
因爲,在GB18030字符集中,可以找到u'\xa0'對應的字符。
此外,還有另外一種實現方案:
需要修改下WriteFile方法
def WriteFile(filePath,u,encoding="gbk"): with codecs.open(filePath,"w") as f: f.write(u.encode(encoding,errors="ignore"))
這裏,我們將Unicode編碼(encode)成gbk格式,但是注意encode函數的第二個參數,我們賦值"ignore",表示在編碼的時候,忽略掉那些無法編碼的字符,
解碼同理。
但是,當我們執行後,發現可以成功的將utf-8格式的文件修改成了ansi格式。但,另外發現生成的文件中,每個一行都有一行空行。
這裏,可以指定以二進制流的形式寫文件,修改後的代碼如下:
def WriteFile(filePath,u,encoding="gbk"): with codecs.open(filePath,"wb") as f: f.write(u.encode(encoding,errors="ignore"))
原文來源:https://m.pythontab.com/article/939