Python中的编码问题，中文乱码问题

1、如果不声明编码，则中文会报错，即使是注释也会报错。只要写中文，必须加一句：# -- coding:utf-8 --。原因：答案在pep-0263里面有所提及，那就是emacs等编辑器使用这种方式进行编码声明。

2、文档编码是一种告诉程序——无论是计算机的操作系统还是python 代码——读取文档的规则。正确读取一个文档，往往需要先知道文件的扩展名，因为编码方式往往与扩展名有很大的关系。

3、(1)纯文本文档的获取与处理：直接用urlopen读取后，用read()函数获取文本内容即可。纯文本页面不要转换成beautifulsoup对象，因为无法解析，会被认为是一堆字符串，只能用字符串的操作方法来解析。 

　 (2)csv文档、pdf文档等非纯文本文档的读取方式：直接通过文档获取链接以字符串的方式读取文档——通过io库的stringio函数将字符串转换为stringio对象——通过csv库或pdf库将stringio对象读取为相应格式的文档，

4、编码类型：

   (1)utf-8：统一字符集-转换格式8位。它的开头有标记指示字符占了用了多少个字节来表示，一个字符最多有四个字节。

   (2)ascii：每个字符7位，用来表示中文会不够用，但是英文够用了。

   (3)utf-8和ascii的结合：首位为0，即只包含一个字节的utf-8字符和ascii通用，因为相当于只用到了7位。但首位为1的两字节utf-8字符不通用。

   (4)iso编码：解决非英文非中文语言文档太大的问题，比如土耳其语没有那么多字符，又不能用单纯的ascii。因此使用ascii的首位来做特殊化，可以针对不同的语言生成不同的规则。

5、在用python读网页或文档时，最好统一将获取的内容统一转换成utf-8编码。获取国际站的内容时，最好先看看网站metasharset信息中所指示的编码方式后再确定选择哪种编码方式。

6、encode和decode：

　　字符串在python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。

　　decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode(‘gb2312’)，表示将gb2312编码的字符串str1转换成unicode编码。

　　encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode(‘gb2312’)，表示将unicode编码的字符串str2转换成gb2312编码。

　　因此，转码的时候一定要先搞明白，字符串str是什么编码，然后decode成unicode，然后再encode成其他编码