如何进行Python编码转换？

如何进行Python编码转换？

下面文章主要将使用Python编码转换的程序向大家进行说明，如果对代码有什么不了解，建议大家还是去网上或者相关论坛去寻找，大多数Python编码是大陆使用的编码集。

以前使用的为GB-2312编程，它只有常用字，字数有限。后国家制定了新的GBK编码，汉字已经达到了2万多。GBK完全兼容原GB-2312编码，也就是说一个GB2312的编码在GBK上是一模一样的。这里所介绍的转换是以GBK为基础的，因此适用性很广。

GBK编码中不仅包括了原GB-2312编码，同时也包括了许多简码的繁体码，同时还有许多的符号与不常用汉字。GBK编码的范围是：高字节从0x81到0xFE，低字节从0x40到0xFE，同时不包括0x7F。这样如果我们将其排成一个矩形，看上去就少了xx7F一根线。

那么如何定位一个GBK码呢？当我们拿到一个编码时，如何判断是不是一个GBK码，如果是GBK码如何定位它的位置呢？判断一个GBK码应该比较简单，我们只要根据它的有效范围进行判定即可。

这里ch1和ch2分别是一个字符的高字节和低字节。如何定位为什么要定位我们在后面讲）？首先介绍一下码表。码表是所有编码放在一起形成的，你可以将其放在文件中这里讲述的是将编码放在文件中）。

我们在存放编码时是将有实际意义的编码放在了一起因为有一些组合是不存在的），而且是按字节大小的顺序放的。根据GBK的编码范围，我们可以设想一个二维坐标，纵坐标是高字节，横坐标是低字节，每一个交叉点上是一个汉字，占两个字节。

这样一行上的汉字个数应该为0xFE-0x40+1-1=190加1是因为要把0x40也算进去。减1是因为要把7F去掉）。定位时，我们先用高字节减去0x81，得到纵坐标偏移量。用低字节减去0x40得到横坐标偏移量。用纵坐标偏移量乘以每个汉字个数，加上横坐标偏移量就得到汉字的偏移量。再乘以2得到字节的偏移量。那么定位算法为:

index=((ch1-0x81)*190+(ch2-0x40)-(ch2/128))*2上面的算法中有-(ch2/128)。这是因为GBK中没有7F码，因此当ch2小于7F时，ch2/128=0，则表示7F没有计算在内。而当ch2大于7F时。

ch2/128=1，则表示多算了7F一值，因此要去掉。由于一个汉字有两个字节，故要乘以2。这样我们就得到一个GBK汉字在码表中的字节位置了。BIG5是香港和台湾地区使用的编码集。它的范围为：高字节从0xA0到0xFE，低字节从0x40到0x7E，和0xA1到0xFE两部分。

判断一个汉字是否是BIG5编码，可以如上对字符的编码范围判断即可。如何定位呢？Python编码转换那么也想象所有编码排列为一个二维坐标，纵坐标是高字节，横坐标是低字节。这样一行上的汉字个数：(0x7E-0x40+1)+(0xFE-0xA1+1)＝157。那么定位算法分两块。

• 浅析Python的GIL和线程安全
• 开始IronPython之旅：交互式解释器与常用
• Google Go！融合Python速度与C性能的新语
• Google开始嫌Python不够快 平台级性能成
• 深入探讨Ruby与Python语法比较

上面，我们已经可以得到GBK汉字和BIG5的字节位置。那么就可以开始进行转换了。对于转换我原以为有一个特别的算法，能够按照两种编码的不同，简单地通过计算就可以得出结果来，其实是不存在这种算法的。

真正的做法是通过建立转换码表文件实现的。即对于GBK码表，将原位置上的GBK汉字改成相应的BIG5汉字。对于BIG5码表，将原位置上的BIG5汉字改成相应的GBK汉字。这样，由于原来汉字的位置没有变。

但编码已经变成了想要转换的编码。通过计算出原汉字的位置，将转换码表中对应汉字位置的字符取出来，这样就完成了转换这就是为什么要进行编码定位的原因）。的确，程序是简单的。

但真正细致的工作是在建立转换码表上。我们需要从GBK转BIG5的码表文件，和BIG5转GBK的码表文件。好在这一工作已经有人完成了，在网上可以找到这种信息。本人就是在网上找到了这种对应的转换码表，于是完成了一个用Python编码转换程序。