第四篇 爬虫去重策略,以及编码问题

 

 

　　

 

unicode和utf-8编码

 PS：数据在内存里，使用unicode编码会方便很多，因为这样占用的bit是统一的，而utf8对于不同的语言占用的bit不同的，但存储文件使用utf8编码会减少很多空间，所以需要灵活转换。

 下面是py2中的例子，python存储在内存里的数据是自动转化成unicode编码的，通过sys库的getdefaultencoding方法可以查看python2解释器的默认编码是：ascii码，

变量s是英文，直接编码成utf8没问题，但变量su是中文，直接编码成utf8会报错，因为执行encode的时候，实际上会先调用decode，而传参是python的默认编码（ascii）。

注意一点：我这里是在unbuntu操作的，linux终端的默认编码是utf8,变量su是经过了linux的一层转换，所以使用decode时传参是utf8,在windows里，默认编码是gb2312

再注意一点：decode方法的作用是把别的编码格式的数据解码成unicode，encode方法是把数据 编码 成指定编码格式的数据。

>>> s = "English"
>>> su = "中文"
>>> import sys

>>> sys.getdefaultencoding()
'ascii'
>>> s.encode("utf8")
'English'
>>> su.encode("utf8")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)
>>> su1 = su.decode("utf8")
>>> su1
u'\u4e2d\u6587'
>>> su1.encode("utf8")
'\xe4\xb8\xad\xe6\x96\x87'
>>> su
'\xe4\xb8\xad\xe6\x96\x87'
>>> suu2 = u"中文"
>>> suu2
u'\u4e2d\u6587'
>>> suu2.encode("utf8")
'\xe4\xb8\xad\xe6\x96\x87'
>>> 

 

在py3,python解释器的默认编码统一成unicode.