Explication détaillée d'Unicode et utf-8 en Python

Dans le langage Python, le traitement des chaînes Uincode a toujours été un problème déroutant. De nombreux passionnés de Python ont souvent du mal à comprendre les différences entre Unicode, UTF-8 et de nombreux autres encodages. Cet article présentera les connaissances pertinentes sur le traitement chinois Unicode et Python. Jetons un coup d'œil avec l'éditeur ci-dessous

Dans le langage Python, le traitement des chaînes Uincode a toujours été un problème déroutant. De nombreux passionnés de Python ont souvent du mal à comprendre les différences entre Unicode, UTF-8 et de nombreux autres encodages. L'auteur était autrefois membre de ce « groupe gênant », mais après plus de six mois de travail acharné, j'ai enfin compris certaines relations. Il est désormais organisé comme suit et partagé avec tous les collègues. Dans le même temps, j'espère également que ce court article pourra attirer davantage de vrais experts à se joindre et à améliorer conjointement notre environnement Python chinois.

Une partie des différentes opinions mentionnées dans cet article sont obtenues en consultant les données, et certaines sont obtenues par l'auteur à l'aide de diverses données codées existantes selon la méthode « deviner et vérifier ». L'auteur pense qu'il a peu de talent et de connaissances, et je crains qu'il ne cache de nombreuses erreurs. Il y a de nombreux experts parmi les lecteurs. Si l'un d'entre vous y trouve des erreurs, j'espère qu'ils vous donneront quelques conseils. C'est peu de chose pour l'auteur lui-même d'être embarrassé, mais c'est une grande affaire pour que les autres aient de fausses opinions, vous n'avez donc pas à vous soucier du visage de l'auteur.

Section 1 Encodage de texte et norme Unicode

Pour expliquer les chaînes Unicode, nous devons d'abord commencer par ce qu'est l'encodage Unicode. Comme nous le savons tous, l’affichage de texte a toujours été un problème fondamental que les fonctions d’affichage de l’ordinateur doivent résoudre. L'ordinateur n'est pas alphabétisé. Il considère en fait le texte comme une chaîne de "images", et chaque "image" correspond à un caractère. Lorsque chaque programme informatique affiche du texte, il doit utiliser une collection d'« images » qui enregistre la façon dont l'« image » du texte est affichée, trouver les données correspondant à « l'image » pour chaque caractère et « dessiner » le mot de la même manière. .à l'écran. Cette « image » est appelée « police » et la collection de données d'affichage de police enregistrées est appelée « Jeu de caractères ». Afin de faciliter la recherche de programme, les données de police de chaque caractère doivent être disposées de manière ordonnée dans le jeu de caractères, et chaque caractère se verra attribuer un identifiant unique. Cet identifiant est l'encodage du caractère. Lorsque les ordinateurs traitent des données de caractères, cet encodage est toujours utilisé pour représenter le caractère qu'il représente. Par conséquent, un jeu de caractères spécifie un ensemble de données de caractères qu'un ordinateur peut traiter. Évidemment, différents pays spécifient des tailles de jeux de caractères différentes, et les codages de caractères correspondants sont également différents.

Dans l'histoire des ordinateurs, le jeu de caractères standardisé le plus utilisé est le jeu de caractères ASCII. Il s’agit en fait d’une norme formulée aux États-Unis et développée pour les utilisateurs nord-américains. Il utilise un codage sur 7 bits binaires et peut représenter 128 caractères. Ce jeu de caractères a finalement été officiellement adopté par l'organisation ISO en tant que norme internationale et est largement utilisé dans divers systèmes informatiques. De nos jours, le BIOS de tous les PC contient le modèle de police du jeu de caractères ASCII, ce qui ressort de sa popularité.

Cependant, lorsque les ordinateurs se sont largement popularisés dans divers pays, les limites du codage ASCII ont été révélées : son espace de caractères est vraiment limité et ne peut pas accueillir plus de caractères, mais la plupart des langues doivent utiliser le nombre de caractères. bien plus que 128. Afin de gérer correctement leurs propres caractères, des fonctionnaires ou des particuliers de divers pays ont commencé à concevoir leurs propres jeux de codage de caractères, et finalement de nombreux codages de caractères ont vu le jour pour les caractères de chaque pays, tels que le codage ISO-8859-1 pour les caractères occidentaux. Caractères européens. Il existe des codes de la série GB pour le chinois simplifié et des codes SHIFT-JIS pour le japonais, etc. Dans le même temps, afin de garantir que chaque nouveau jeu de caractères est compatible avec le texte ASCII d'origine, la plupart des jeux de caractères utilisent invariablement des caractères ASCII comme leurs 128 premiers caractères et font correspondre leurs codages aux codages ASCII un à un.

De cette façon, le problème de l'affichage des caractères dans différents pays est résolu, mais cela amène également un nouveau problème : les caractères tronqués. Les jeux de caractères utilisés dans différents pays et régions n'ont généralement pas de spécifications unifiées pour les contraintes, de sorte que les encodages des différents jeux de caractères sont souvent incompatibles les uns avec les autres. Le codage du même mot dans deux jeux de caractères différents est généralement différent et les caractères correspondants du même codage dans des jeux de caractères différents sont également différents. Un morceau de texte écrit avec l'encodage A sera souvent affiché sous la forme d'un fouillis de caractères sur un système qui ne prend en charge que l'encodage B. Pour aggraver les choses, les longueurs de codage utilisées par les différents jeux de caractères sont souvent différentes. Les programmes qui ne peuvent gérer que le codage sur un seul octet ne parviennent souvent pas à gérer correctement le texte lorsqu'ils rencontrent un codage sur deux octets ou même sur plusieurs octets. " problème. Cela a rendu la situation déjà chaotique encore plus confuse.

Afin de résoudre ces problèmes une fois pour toutes, de nombreuses grandes entreprises et organisations du secteur ont proposé conjointement une norme, qui est Unicode. Unicode est en fait un nouveau système de codage de caractères. Il code chaque caractère du jeu de caractères avec un numéro d'identification de deux octets, définissant ainsi un espace de codage pouvant accueillir jusqu'à 65 536 caractères et incluant tous les mots couramment utilisés dans les codages de divers pays du monde aujourd'hui. Grâce à une réflexion approfondie lors de la conception du codage, Unicode a bien résolu les problèmes de caractères tronqués et de « demi-mots » causés par d'autres jeux de caractères dans l'échange de données. Dans le même temps, les concepteurs d'Unicode ont pleinement pris en compte la réalité selon laquelle une grande quantité de données de polices utilise encore aujourd'hui divers encodages formulés par divers pays et ont proposé le concept de conception consistant à « utiliser Unicode comme encodage interne ». En d’autres termes, le programme d’affichage de caractères utilise toujours l’encodage et le code d’origine, et la logique interne de l’application utilisera Unicode. Lors de l'affichage de texte, le programme convertit toujours la chaîne codée Unicode en codage d'origine pour l'affichage. De cette façon, tout le monde n’a pas besoin de reconcevoir le système de données de polices pour utiliser Unicode. Dans le même temps, afin de le distinguer des codages qui ont été formulés par différents pays, les concepteurs d'Unicode appellent Unicode « codages de caractères larges » (codages de caractères larges), tandis que les codages formulés par différents pays sont habituellement appelés « multi -encodages d'octets" (encodages multi-octets). Aujourd'hui, le système Unicode a introduit un codage étendu sur quatre octets et converge progressivement avec UCS-4, qui est la spécification de codage ISO10646. On espère qu'un jour le système ISO10646 pourra être utilisé pour unifier tous les codages de texte dans le monde. .

Le système Unicode a suscité de grands espoirs dès sa naissance et a été rapidement accepté comme norme internationale reconnue par l'ISO. Cependant, au cours du processus de promotion d'Unicode, celui-ci s'est heurté à l'opposition des utilisateurs européens et américains. La raison de leur opposition est très simple : les codages originaux utilisés par les utilisateurs européens et américains sont longs sur un seul octet, et le moteur de traitement Unicode sur deux octets ne peut pas traiter les données originales sur un seul octet et si tous les textes existants sur un seul octet en ont besoin ; à convertir Pour le convertir en Unicode, la charge de travail sera trop importante. De plus, si tout le texte codé sur un octet était converti en codage Unicode sur deux octets, toutes leurs données texte occuperaient deux fois plus d'espace et tous les gestionnaires devraient être réécrits. Ils ne peuvent pas accepter cette dépense.

Bien qu'Unicode soit une norme internationalement reconnue, il est impossible pour l'organisme de normalisation d'ignorer les exigences des utilisateurs européens et américains, le plus grand groupe d'utilisateurs d'ordinateurs. Ainsi, après consultations entre toutes les parties, une variante d’Unicode a été produite, à savoir UTF-8. UTF-8 est un système de codage multi-octets. Ses règles de codage sont les suivantes :

1. Le codage UTF-8 est divisé en quatre zones :

La première zone est un encodage sur un seul octet,

le format d'encodage est : 0xxxxxxx ;

correspond à Unicode : 0x0000 - 0x007f ;

La deuxième zone est un encodage sur deux octets,

le format d'encodage est : 110xxxxx 10xxxxxx

correspond à Unicode : 0x0080 - 0x07ff

Les trois zones sont codées sur trois octets et le format de codage de

est : 1110xxxx 10xxxxxxx 10xxxxxx

correspond à Unicode : 0x0800 - 0xffff

Les quatre zones sont encodées sur quatre octets,

le format d'encodage est : 11110xxx 10xxxxxxx 10xxxxxx 10xxxxxx

correspond à Unicode : 0x0

0010000 - 0x0001ffff

Les cinq zones sont encodées sur cinq octets,

Le format d'encodage est : 111110xx 10xxxxxxx 10xxxxxxx 10xxxxxxx 10xxxxxxx

correspond à Unicode : 0x

00200000 - 0x03ffffff

Les six zones sont un encodage sur six octets,

Le format d'encodage est : 111110x 10xxxxxxx 10xxxxxxx 10xxxxxxx 10xxxxxxx 10xxxxxxx

correspond à Unicode : 0x04000000 - 0x7ffffffff

Parmi eux , les première, deuxième et troisième zones correspondent à la zone de codage sur deux octets d'Unicode, et les quatre La zone est pour la partie étendue à quatre octets d'Unicode (selon cette définition, UTF-8 en a également cinq et six zones, mais l'auteur ne l'a pas trouvé dans la bibliothèque GNU glibc, je ne sais pas pourquoi)

2. , quatre, cinq et six, et les caractères dans les positions correspondantes restent les mêmes que ceux d'Unicode

3 ; octets. En d'autres termes, ils ne sont pas inclus dans UTF-8 (c'est la déclaration que j'ai obtenue de la bibliothèque GNU C commentaire , qui peut ne pas être cohérente avec la situation réelle

Selon les règles d'encodage UTF-8, il n'est pas difficile de constater que les 128 codes de la première zone sont en réalité des codes ASCII. Ainsi, le moteur de traitement UTF-8 peut traiter directement le texte ASCII. Cependant, la compatibilité de l'UTF-8 avec le codage ASCII se fait au détriment des autres codages. Par exemple, à l'origine, les caractères chinois, japonais et coréens étaient essentiellement des codages sur deux octets, mais leurs positions dans le codage Unicode correspondent aux trois zones de l'UTF-8, et chaque codage de caractère fait trois octets. En d’autres termes, si nous convertissons toutes les données textuelles de caractères non ASCII existantes codées en Chine, au Japon et en Corée en codage UTF-8, leur taille deviendra 1,5 fois supérieure à la taille d’origine.

Bien que l'auteur pense personnellement que la méthode de codage UTF-8 semble un peu injuste, elle a résolu le problème de transition du texte ASCII vers le monde Unicode, elle a donc gagné une large reconnaissance. Des exemples typiques sont XML et Java : l'encodage par défaut du texte XML est UTF-8, et le code source Java peut en fait être écrit en caractères UTF-8 (les utilisateurs de JBuilder devraient avoir l'impression). Il existe également le célèbre GTK 2.0 dans le monde des logiciels open source, qui utilise les caractères UTF-8 comme codage interne.

Cela dit, il semble que le sujet soit un peu tiré par les cheveux. De nombreux passionnés de Python ont peut-être commencé à s'inquiéter : "Qu'est-ce que cela a à voir avec Python ? D'accord, maintenant nous tournons notre attention ?" dans le monde de Python Come.

Section 2 Le système d'encodage Unicode de Python

Afin de gérer correctement le texte multilingue, Python a introduit les chaînes Unicode après la version 2.0. Depuis lors, les chaînes du langage Python ont été divisées en deux types : les chaînes Python traditionnelles, utilisées bien avant la version 2.0, et les nouvelles chaînes Unicode. Dans le langage Python, nous utilisons la fonction intégrée unicode() pour "décoder" une chaîne Python traditionnelle afin d'obtenir une chaîne Unicode, puis utilisons la méthode encode() de la chaîne Unicode pour décoder cette Chaîne Unicode La chaîne est "codée" et "codée" dans une chaîne Python traditionnelle. Le contenu ci-dessus doit être familier à chaque utilisateur Python. Mais saviez-vous que la chaîne Unicode de Python n'est pas une véritable « chaîne codée Unicode », mais suit ses propres règles uniques. Le contenu de cette règle est très simple :

1. L'encodage Python Unicode des caractères ASCII est le même que leur encodage ASCII. En d'autres termes, le texte ASCII dans la chaîne Unicode de Python est toujours un codage d'une longueur d'un octet

2 Le codage des caractères autres que les caractères ASCII est Unicode ; Un codage sur deux octets (ou quatre octets) du codage standard. (L'auteur suppose que la raison pour laquelle la communauté Python a formulé une norme aussi étrange est peut-être pour garantir l'universalité des chaînes ASCII)

Habituellement dans les applications Python, les chaînes Unicode sont utilisées pour le traitement interne, tandis que le travail d'affichage du terminal est effectué par des chaînes Python traditionnelles (en fait, l'instruction print de Python ne peut pas du tout imprimer les caractères codés Unicode sur deux octets). Dans le langage Python, les chaînes Python traditionnelles sont dites « codées sur plusieurs octets », qui sont utilisées pour représenter diverses chaînes « codées » dans des codages de jeux de caractères spécifiques (tels que GB, BIG5, KOI8-R, JIS, ISO-8859-1, et bien sûr UTF-8) et les chaînes Python Unicode sont des chaînes de « codage de caractères larges », qui représentent des données Unicode « décodées » à partir d'un codage de jeu de caractères spécifique. Donc généralement, une application Python qui nécessite un encodage Unicode traitera souvent les données de chaîne de la manière suivante :

def foo(string, encoding = "gb2312"):
# 1. convert multi-byte string to wide character string
u_string = unicode(string, encoding)

# 2. do something
...

# 3. convert wide character string to printable multi-byte string
return u_string.encode(encoding)

Nous pouvons donner un exemple : souvent sous Red Hat Linuxdes collègues Python qui utilisent PyGTK2 pour la programmation XWindow dans l'environnement a peut-être découvert cette situation il y a longtemps : si on écrit directement l'instruction suivante :

import pygtk
pygtk.require('2.0')
import gtk

main = gtk.Window() # create a window
main.set_title("你好") # NOTICE!

Une telle instruction sera exécutée une fois exécutée Un tel avertissement apparaît sur le terminal :

Error converting from UTF-8 to 'GB18030': 转换输入中出现无效字符序列

et le titre de la fenêtre du programme ne sera pas défini sur "Bonjour" mais si l'utilisateur installe le codec chinois, et change le dernière phrase ci-dessus à :

u_string = unicode('你好','gb2312')
main.set_title(u_string)

Ensuite, le titre de la fenêtre du programme sera correctement défini sur "Bonjour". Pourquoi est-ce ?

La raison est simple. La méthode gtk.Window.set_title() traite toujours la chaîne de titre qu'elle reçoit comme une chaîne Unicode. Lorsque le système PyGTK reçoit la requête main.set_title() de l'utilisateur, il traite la chaîne obtenue comme suit quelque part :

class Window(gtk.Widget):
...
def set_title(self, title_unicode_string):
...
# NOTICE! unicode -> multi-byte utf-8
real_title_string = title_unicode_string.encode('utf-8')
...
# pass read_title_string to GTK2 C API to draw the title
...

我们看到，字符串title_unicode_string在程序内部被“编码”成了一个新的字符串：real_title_string。显然，这个real_title_string是一个传统Python字符串，而它的编码用的是UTF-8。在上一节中笔者曾经提到过，GTK2的内部使用的字符串都是按UTF-8编码的，所以，GTK2核心系统在接收到real_title_string后可以正确显示出标题来。

那么，如果用户输入的标题是ASCII字符串（比如：“hello world”），又当如何？我们回想一下Python Unicode字符串的定义规则就不难发现，如果用户的输入是ASCII字符串，则对其进行重编码得到的就是其自身。也就是说，如果title_unicode_string的值是ASCII字符串，则real_title_string与title_unicode_string的值将完全一致。而一个ASCII字符串也就是一个UTF-8字符串，把它传递给GTK2系统不会有任何问题。

以上我们举的例子是关于Linux下的PyGTK2的，但类似的问题不仅出现在PyGTK中。除了PyGTK之外，现今各种Python绑定的图形包，如PyQT、Tkinter等，多多少少都会遇到与Unicode处理有关的问题。

现在我们弄清了Python的Unicode字符串编码机制，但是我们最想知道的问题还是没有解决：我们如何才能让Python支持用Unicode处理中文呢？这个问题我们将在下一节说明。

第三节　如何让Python的Unicode字符串支持中文

看完这一节的标题，有一些Python同道们可能会有些不以为然：“为什么一定要用Unicode处理中文呢？我们平时用传统Python字符串处理得不是也不错吗？”的确，其实在一般情况下像字符串连接、子串匹配等操作用传统Python字符串也就足够了。但是，如果涉及到一些高级的字符串操作，比如包含多国文字的正则表达式匹配、文本编辑、表达式分析等等，这些大量混杂了单字节和多字节文本的操作如果用传统字符串处理就非常麻烦了。再说，传统字符串始终无法解决那该死的“半个字”问题。而如果我们可以使用Unicode，则这些问题都可以迎刃而解。所以，我们必须正视并设法解决中文Unicode的处理问题。

由上一节的介绍我们知道，如果要想利用Python的Unicode机制处理字符串，只要能够拥有一个能够把多字节的中文编码（包括GB编码系列和BIG5系列）和Unicode编码进行双向转换的编码／解码模块就可以了。按照Python的术语，这样的编码／解码模块被称为codec。于是接下来的问题就变成了：我们该如何编写这样一个codec？

如果Python的Unicode机制是硬编码在Python核心中的话，那么给Python添加一个新的codec就将是一项艰苦卓绝的工作了。幸亏Python的设计者们没有那么傻，他们提供了一个扩充性极佳的机制，可以非常方便地为Python添加新的codecs。

Python的Unicode处理模块有三个最重要的组成部分：一是codecs.py文件，二是encodings目录，三是aliases.py文件。前两者都位于Python系统库的安装目录之中（如果是Win32发行版，就在$PYTHON_HOME/lib/目录下；如果是Red Hat Linux，就在/usr/lib/python-version/目录下，其它系统可以照此寻找），而最后一个则位于encodings目录下。接下来，我们分别对这三者加以说明。

先来看看codecs.py文件。这个文件定义了一个标准的Codec模块应有的接口。其具体内容大家可以在自己的Python发行版中找到，在此不再赘述。按照codecs.py文件的定义，一个完整的codec应该至少拥有三个类和一个标准函数：

1、Codec类

用途：

用于将用户传入的缓冲区数据（一个buffer）作为一个传统Python字符串，并将

其“解码”为对应的Unicode字符串。一个完整的Codec类定义必须提供Codec.decode()和

Codec.encode()两个方法：

Codec.decode(input, <a href="http://www.php.cn/wiki/222.html" target="_blank">errors</a> = "strict")

用于将输入的数据看做是传统Python字符串，并将其“解码”，转换成对应的Unicode字符串。

参数：

input：输入的buffer（可以是字符串，也可以是任何可以转换成字符串表示的对象）

errors：发生转换错误时的处理选择。可选择如下三种取值：

strict（默认值）：如果发生错误，则抛出UnicodeError异常；

replace：如果发生错误，则选取一个默认的Unicode编码代替之；

ignore：如果发生错误，则忽略这个字符，并继续分析余下的字符。

返回值：

一个常数列表（tuple）：首元素为转换后的Unicode字符串，尾元素为输入数据的长度。

Codec.encode(input, errors = "strict")

用于将输入的数据看做是Unicode字符串，并将其“编码”，转换成对应的传统Python字符串。

参数：

input：输入的buffer（通常就是Unicode字符串）

errors：发生转换错误时的处理选择。取值规则与Codec.decode()方法相同。

返回值：

一个常数列表（tuple）：首元素为转换后的传统Python字符串，尾元素为输入数据的长度。

2、StreamReader类（通常应该继承自Codec类）

用于分析文件输入流。提供所有对文件对象的读取操作，如readline()方法等。

3、StreamWriter类（通常应该继承自Codec类）

用于分析文件输出流。提供所有对文件对象的写入操作，如writeline()方法等。

5、getregentry()函数

即“GET REGistry ENTRY”之意，用于获取各个Codec文件中定义的四个关键函数。其函数体统一为：

def getregentry():
return tuple(Codec().encode,Codec().decode,StreamReader,StreamWriter)

在以上提到的所有四个类中，实际上只有Codec类和getregentry()函数是必须提供的。必须提供前者是因为它是实际提供转换操作的模块；而后者则是Python系统获得Codec定义的标准接口，所以必须存在。至于StreamReader和StreamWriter，理论上应该可以通过继承codecs.py中的StreamReader和StreamWriter类，并使用它们的默认实现。当然，也有许多codec中将这两个类进行了改写，以实现一些特殊的定制功能。

接下来我们再说说encodings目录。顾名思义，encodings目录就是Python系统默认的存放所有已经安装的codec的地方。我们可以在这里找到所有Python发行版自带的codecs。习惯上，每一个新的codec都会将自己安装在这里。需要注意的是，Python系统其实并不要求所有的codec都必须安装于此。用户可以将新的codec放在任何自己喜欢的位置，只要Python系统的搜索路径可以找得到就行。

仅仅将自己写的codec安装在Python能够找到的路径中还不够。要想让Python系统能找到对应的codec，还必须在Python中对其进行注册。要想注册一个新的codec，就必须用到encodings目录下的aliases.py文件。这个文件中只定义了一个哈希表aliases，它的每个键对应着每一个codec在使用时的名称，也就是unicode()内建函数的第二个参数值；而每个键对应的值则是一个字符串，它是这个codec对应的那个处理文件的模块名。比如，Python默认的解析UTF-8的codec是utf_8.py，它存放在encodings子目录下，则aliases哈希表中就有一项表示其对应关系：

&#39;utf-8&#39; : &#39;utf_8&#39;, # the <a href="http://www.php.cn/code/8212.html" target="_blank">module</a> `utf_8&#39; is the codec <a href="http://www.php.cn/wiki/125.html" target="_blank">for</a> UTF-8

同理，如果我们新写了一个解析‘mycharset'字符集的codec，假设其编码文件为mycodec.py，存放在$PYTHON_HOME/lib/site-packages/mycharset/目录下，则我们就必须在aliases哈希表中加入这么一行：

'mycharset' : 'mycharset.mycodec',

这里不必写出mycodec.py的全路径名，因为site-packages目录通常都在Python系统的搜索路径之中。

Python解释器在需要分析Unicode字符串时，会自动加载encodings目录下的这个aliases.py文件。如果mycharset已经在系统中注册过，则我们就可以像使用其它内建的编码那样使用我们自己定义的codec了。比如，如果按照上面的方式注册了mycodec.py，则我们就可以这样写：

my_unicode_string = unicode(a_multi_byte_string, 'mycharset')

print my_unicode_string.encode('mycharset')

现在我们可以总结一下要编写一个新的codec一共需要那些步骤：

首先，我们需要编写一个自己的codec编码／解码模块；

其次，我们要把这个模块文件放在一个Python解释器可以找到的地方；

最后，我们要在encodings/aliases.py文件中对其进行注册。

从理论上说，有了这三步，我们就可以将自己的codec安装到系统中去了。不过这样还不算完，还有一个小问题。有时候，我们出于种种原因，不希望随便修改自己的系统文件（比如，一个用户工作在一个集中式的系统中，系统管理员不允许别人对系统文件进行修改）。在以上介绍的步骤中，我们需要修改aliases.py文件的内容，这是一个系统文件。可如果我们不能修改它，难道我们就不能添加新的codec吗？不，我们当然有办法。

这个办法就是：在运行时修改encodings.aliases.aliases哈希表的内容。

还是使用上面那个假设，如果用户工作系统的管理员不允许用户把mycodec.py的注册信息写入aliases.py，那么我们就可以如此处理：

1、将mycodec.py放在一个目录下，比如/home/myname/mycharset/目录；

2、这样编写/home/myname/mycharset/init.py文件：

import encodings.aliases
# update aliases hash map
encodings.aliases.aliases.update({/
'mycodec' : 'mycharset.mycodec',/
}}

以后每次要使用Python时，我们可以将/home/myname/加入搜索路径，并且在使用自己的codec时预先执行：

import mycharset # execute the script in mycharset/init.py

这样我们就可以在不改动原有系统文件的情况下使用新的codecs了。另外，如果借助Python的site机制，我们还可以让这个import工作自动化。如果大家不知道什么是site，就请在自己的Python交互环境中运行：

import site
print site.doc

浏览一下site模块的文档，即可明白个中技巧。如果大家手头有Red Hat Linux v8，v9，还可以参考一下Red Hat的Python发行版中附带的日文codec，看看它是如何实现自动加载的。也许不少同道可能找不到这个日文的codec在哪里，这里列出如下：

　　Red Hat Linux v8：在/usr/lib/python2.2/site-package/japanese/目录下；
　　Red Hat Linux v9：在/usr/lib/python2.2/lib-dynload/japanese/目录下；

提示：请Red Hat用户注意site-packages目录下的japanese.pth文件，结合site模块的文档，相信马上就能豁然开朗。

结束语

记得当初笔者在Dohao论坛上夸下海口：“如果可以的话，我可以为大家编写一个（中文模块）”，现在回想起来，不禁为自己当初的不知天高地厚而汗颜。一个把自己所有的的时间都花在学习上，一个学期只学七门课程，还落得个两门课不及格的傻瓜研究生，哪里有什么资格在大家面前如此嚣张。现如今，第二个学期由于这两门课的缘故负担陡增（十门课呀！），家中老父老母还眼巴巴地等着自己的儿子能给他们挣脸。要想在有限的时间之内，既保证学习，又保证工作（我要承担导师的课程辅导工作，同时还有一个学校的教学改革方案需要我在其中挑大梁），已经是疲于应付，再加上一个中文模块……唉，请恕笔者分身乏术，不得不食言。

因此，笔者斗胆，在此和盘托出自己这半年以来的心得，只希望能够找到一批，不，哪怕是一个也好，只要是对这个项目感兴趣的同道中人，能够接下笔者已经整理出来的知识，把一个完整的（至少应该包含GB、BIG5、笔者个人认为甚至还应包括HZ码）中文模块编写出来，贡献给大家（不论是有偿的还是无偿的），那就是我们广大Python爱好者之福了。另外，Python的发行版至今尚未包括任何中文支持模块。既然我等平日深爱Python，如果我们的工作能因此为Python的发展做出一点贡献，何乐而不为呢？

附录　几个小小提示

1、LUO Jian兄已经编写了一个非常不错的中文模块（Dohao上有链接，文件名是showfile.zip，这个模块比我已经写完的草稿版本要快得多），同时支持GB2312和GB18030编码，可惜不支持BIG5。如果大家有兴趣，可以下载这个模块研究一下；

2、和其它字符集编码相比，中文模块有其特殊性，那就是其海量的字符数目。一些相对较小的字符集还好说，比如GB2312，可以利用哈希表查找。而对于巨大的GB18030编码，如果简单地将所有数据制成一个特大的编码对照表，则查询速度会慢得让人无法容忍（笔者在编写模块时最头疼的就是这一点）。如果要编写一个速度上能让人满意的codec，就必须考虑设计某种公式，能够通过简单地运算从一种编码推算出另一种来，或者至少能推算出它的大概范围。这就要求程序员要能对整个编码方案做统计，设法找到规律。笔者认为，这应该是编写中文模块时的最大难点。或许是数学功底实在太差的缘故，笔者费尽心机也未能找出一个规律来。希望能有数学高手不吝赐教；

3. L'encodage chinois est divisé en deux factions principales : GB et BIG5. Parmi eux, GB est divisé en trois codes : GB2312, GBK et GB18030, et BIG5 est également divisé en deux types : BIG5 et BIG5-HKSCS (correspondant respectivement aux versions étendues originales BIG5 et Hong Kong). Bien que les encodages d'une même faction puissent être rétrocompatibles, compte tenu du grand nombre de caractères et afin d'accélérer la recherche, l'auteur pense personnellement qu'il est plus raisonnable de les encoder séparément. Bien entendu, si la formule de conversion pour le jeu de caractères correspondant peut être trouvée, cette séparation n'est pas nécessaire

[Recommandations associées]

1 Recommandation particulière  : Téléchargement de la version V0.1 de "php Programmer Toolbox"

2

Tutoriel vidéo gratuit Python

3. Tutoriel vidéo orienté objet Python

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!