如何解決Python中文字檔轉換編碼的問題？

測試資料

註：測試文字採用UTF-8編碼，通常漢字是佔三個位元組。 GBK中漢字通常是佔2個位元組。

編碼轉換程式碼

import os

# 对于单个文件进行操作的函数，如果需要对文件夹进行操作，可以使用一个函数包装它，这样不用修改本函数，即达到扩展的目的了。
def transfer_encode(source_path, target_path, source_encode='GBK', target_encode='UTF-8'):
    with open(source_path, mode='r', errors='ignore', encoding=source_encode) as source_file:  # 读取文件时，如果直接忽略报错，则程序正常执行，但是文件已经损坏了。
        with open(target_path, mode='w', encoding=target_encode) as target_file:               # 所以，应该捕获异常，停止程序执行。
            line = source_file.readline()
            while line != '':
                target_file.write(line)
                line = source_file.readline()
    print("Execute End!")


# 这个函数的功能和上面是一样的，区别在于它是以二进制读取的，然后解码、转码再写入的
def transfer_encode2(source_path, target_path, source_encode='GBK', target_encode='UTF-8'):
    with open(source_path, mode='rb') as source_file:
        with open(target_path, mode="wb") as target_file:
            bs = source_file.read(1024)
            while len(bs) != 0:
                target_file.write(bs.decode(source_encode).encode(target_encode))
                bs = source_file.read(1024)
    print("Execute End!")



source_path = r'C:\Users\Alfred\Desktop\test_data\test\data.txt'
target_path = r'C:\Users\Alfred\Desktop\test_data\test\data1.txt'

transfer_encode(source_path=source_path, target_path=target_path, source_encode="UTF-8", target_encode="GBK")

# transfer_encode2(source_path=source_path, target_path=target_path)

# 在cmd中使用 type命令，可以查看文件的内容，并且使用cmd默认的编码。
# 使用 chcp 命令可以查看当前使用的编码的数字编号

執行結果

控制台輸出 這個函數執行的輸出沒有什麼意義，只是我要知道它執行了沒，所以列印的。

測試資料夾 data1.txt是轉換編碼後的文字。

從產生的檔案來看，因為只含有一個字，所以只比較大小就知道是否轉換成功了。當然了，直接打開查看也是可以的，但是直接打開查看的話，沒有什麼效果，都會顯示一個漢字龍。所以，這裡我們另闢蹊徑，使用不一樣的檢視方式！

注意：data.txt是採用的UTF-8編碼的，而data1.txt是採用的GBK編碼的。因為國內使用的Windows預設採用的中國的編碼方式，所以它顯示不了UTF-8編碼的文字。第三個輸出是查看目前使用的編碼，它回傳的是編碼的代號，詳見下圖：

註：GBK是相容GB2312的編碼。

說明

使用python的話，對於單一檔案進行編碼轉換，只需要7行程式碼就夠了！上面我寫了兩個函數，但是功能是一樣的，差別在於第一個函數是以特定的編碼方式讀取文字訊息，然後直接以另一種編碼方式寫入。第二個函數是以二進位形式讀取檔案內容，然後解碼再轉碼寫入。它的原理都是一樣的，即必須​​包括依序解碼和轉碼操作。

編碼、解碼、字元集本身是很複雜的，往深入了講我也不會了。這裡可以這樣簡化理解，兩個不同編碼的字符集具有相同的字符，所以將UTF-8編碼文件讀取出來，是為了得到它映射的字符，然後再寫入，是為了將它映射為另一種編碼字元集，所以說字元類似中繼站的功能。 而直接使用一種字元集去讀取另一種字元集的內容，就會出現上面cmd中顯示的亂碼。

PS: 所以，也可以解釋一個問題，就是為什麼開啟一個大的文字文件，會導致程式卡死！因為一個大的文字文件，裡麵包含了很多需要解碼的字元。這就和排隊有點類似，每一個字元等待被解碼，雖然處理一個字元很快，但是一個大的文字文件，包含了大量的字元。例如，notepad 打開大文本毫無壓力， 我打開這個超大型的文本，還是直接把它卡死了！ （這裡的排隊只是一個比喻，實際的情況我也不太清楚，但是它一定是需要挨個處理的。）

我們對其進行估計，假設所有字元都是中文（實際的話，還是包含一些英文的，當總的來說還是中文佔多數。）這裡顯示是大約5千萬的字符需要解碼，所以計算機處理起來仍然是很吃力的，notepad 可以查看摘要，但是直接打開就卡死了，這裡就不進行嘗試了。

以上是如何解決Python中文字檔轉換編碼的問題？的詳細內容。更多資訊請關注PHP中文網其他相關文章！