python黑魔法之编码转换

我们在使用其他语言的库做编码转换时，对于无法理解的字符，通常的处理也只有两种（或三种）：

• 抛异常
• 替换成替代字符
• 跳过

但是在复杂的现实世界中，由于各种不靠谱，我们处理的文本总会出现那么些不和谐因素，比如混合编码。在这种情况下，又回到了上面的处理办法。

那么问题来了，python有没有更好地办法呢？

答案是，有！

python的编码转换流程实际上是两段式转换：

    source -> unicode -> dest

首先将字符串从原始编码转换成unicode。再将unicode转换成目标编码。

第一步我们一般采用decode()或者 unicode() 这两个函数完成。
第二步我们使用encode()函数完成。

在这里我们说的黑魔法就是在第一步实现。

decode和unicode函数都有一个叫做errors的可选参数。看看官方的描述：

• errors may be given to set a different error
  
• handling scheme. Default is 'strict' meaning that encoding errors raise
  
• a UnicodeDecodeError. Other possible values are 'ignore' and 'replace'
  
• as well as any other name registered with codecs. register_error that is
  
• able to handle UnicodeDecodeErrors.
  

这个参数通常有三种值：

• strict 默认值。如果出现编码错误，则会抛出UnicodeDecodeError。
• ignore 跳过。
• replace 用?替换。

好了，看到最后一句话了吗？好戏上演了！

模块codec有一个函数叫做register_error。他的作用让用户可以注册自定义的errors处理方法。
用来处理UnicodeDecodeError。

我们看看函数原型：

    codecs.register_error(name, error_handler)

name: 错误处理的名称。用以填写在decode函数的error参数中。
error_handler: 处理函数。该函数接受一个异常参数。
返回一个tuple，该tuple有2个元素，第一个是纠错后的字符串，第二个是继续decode的起始位置

有了上面的基本概念。我们看下具体实现：

    def cjk_error(e):
      if not isinstance(e, UnicodeDecodeError):
        raise TypeError("don't know how to handle %r" % exc) 
      if exc.end + 1 > len(exc.object): 
        raise TypeError('unknown codec ,the object too short!') 
      ch1 = ord(exc.object[exc.start:exc.end]) 
      newpos = exc.end + 1 
      ch2 = ord(exc.object[exc.start + 1:newpos]) 
      sk = exc.object[exc.start:newpos] 
      if 0x81<=ch1<=0xFE and (0x40<=ch2<=0x7E or 0x7E<=ch2<=0xFE): # GBK 
        return (unicode(sk,'cp936'), newpos) 
      if 0x81<=ch1<=0xFE and (0x40<=ch2<=0x7E or 0xA1<=ch2<=0xFE): # BIG5 
        return (unicode(sk,'big5'), newpos) 
      raise TypeError('unknown codec !') 
    codecs.register_error("cjk_replace", cjk_replace) 

上面这个是我从网上copy的。开始我觉得很不错，但是后来发现是个很不经推敲的算法。
比如utf8和gbk在前两个字节就有交集的部分。当一个utf8的字符串以gbk编码decode的时候，出现错误是从第三个字节开始（前两个字节也能够在gbk编码范围中对应到一个汉字）。
如：

    a = "你"              # utf8编码：'\xe4\xbd\xa0'
    c = unicode(a[:2],'gbk')  # 正常返回
    c = unicode(a, 'gbk')    # UnicodeDecodeError 。错误发生在第三个字节

所以针对这种情况，做了下改进：

    import codec

    def cjk_replace(e):
      if not isinstance(e, UnicodeDecodeError):
        raise TypeError("invalid exception type %s" e)

      src = e.encoding
      if src in ('gbk','gb18030', 'big5'):
        beg = e.start - 2
        if beg >= 0:
          try:
            return unicode(e.object[beg:e.end], 'utf8'), e.end + 1
          except:
            pass

      if exc.end + 1 > len(exc.object):
        raise TypeError('unknown codec ,the object too short!')
      ch1 = ord(exc.object[exc.start:exc.end])
      newpos = exc.end + 1
      ch2 = ord(exc.object[exc.start + 1:newpos])
      sk = exc.object[exc.start:newpos]

      if src != 'gbk' and 0x81<=ch1<=0xFE and (0x40<=ch2<=0x7E or 0x7E<=ch2<=0xFE): # GBK
        return (unicode(sk,'cp936'), newpos)
      if src != 'big5' and 0x81<=ch1<=0xFE and (0x40<=ch2<=0x7E or 0xA1<=ch2<=0xFE): # BIG5
        return (unicode(sk,'big5'), newpos)
      raise TypeError('unknown codec !')

    codecs.register_error("cjk_replace", cjk_replace)

当然，这个逻辑其实还是不够严谨的。虽然对于这种混合编码这种畸形活处理有点较真儿。
不过既然python提供这样的能力，大家可以一起来讨论下，我们怎么可以做的更好?