编码转换：UTF-8 BOM to GBK

编码转换：UTF-8 BOM to GBK

      最近因为一个实验，需要文本文件的编码格式为GBK或者GB2312，而源数 据又是很多编码格式的，有些是GBK，有些是UTF-8，这样就不好用工具直接转，手动就更不可取了，于是打算写个程序，能够读取UTF-8的文件，更改编码后，再写入另一个文件，存为GBK格式。

      在网上看了很多例子，也查了python API，发现都不完整，原因就在于都没考虑到有BOM和无BOM两种情况。也有说用codecs.EncodedFile(...)来做的，试了很多次，无论是有BOM还是无BOM，转成GBK都失败。

      下面来看我的试验过程。

      1.无BOM的UTF-8转GBK

      首先用ultraedit新建一个文本文件，并存为UTF-8 无BOM格式，我的叫“u8.txt”，内容为“试 试 这 个”，带回车换行，并且字符间加了空格，以便定位；

      其次，写代码测试：

              import codecs

              f = open("u8.txt", "r");
              data = f.read();
              print repr(data)
              print data.decode("utf-8").encode("gbk")

              s = '/xe8/xbf/x99 /xe4/xb8/xaa';
              print s.decode("utf-8").encode("gbk")
              f.close();

      运行查看结果：

             

      根据输出可见，第一行是4个汉字字符的UTF-8编码，每个字符占3个字节，最后跟着一个换行符；第二行是编码为GBK后打印的结果，说明编码转换没有问题；注意字符串s的内容为我手工截取的最后两个字符的字节编码，即“这 个”，对s先解码再编码成GBK后，成功输出。

      由此可知，无BOM的UTF-8转换成GBK是很容易的。

      2.有BOM的UTF-8转GBK

      首先，仍然用ultraedit新建一个文本文件，但是需要保存为UTF-8，这就是有BOM的格式，我的是“char.txt”，内容为“老 子 不 信 转 不 过 来”，也是带空格以便定位字符，仍然用上面的代码运行，结果为：

      

       出现错误！提示说无法对0字节处采用GBK编码，再看显示出的编码序列，发现最开头那段6个字节连在一起，但是我们的字符串分明是按空格分开的！怎么回事？！通过查wikipedia发现：

       

       原来最开始的“/xef/xbb/xbf”是UTF-8的BOM！那是不是因为这个BOM才造成编码转换失败的呢？可以复制BOM后面的内容作为字符串s的内容，写代码测试，代码如下：

       s = '/xe8/x80/x81 /xe5/xad/x90 /xe4/xb8/x8d /xe4/xbf/xa1 /xe8/xbd/xac /xe4/xb8/x8d /xe8/xbf/x87 /xe6/x9d/xa5/n'                          

       print s.decode("utf-8").encode("gbk")
       运行后发现，转换成功进行，这就是说，只要能在转换前去掉BOM，那么就能转换成功。
       根据上面的心得，我写了下面的代码测试：

       

       代码说明：bom为读取文件前3个字节的内容，codecs.BOM_UTF8代表的就是utf8 BOM的字节编码，前面已经提到了。if语句判断是否为UTF8 BOM格式，如果是，我们就从文件的第3个字节开始读文件，以便避开BOM，然后就是转换，最后成功输出。

       

        代码中“注意”那行打印出字节编码，可见，字符已被转换成2 Bytes per character的GBK编码格式。

 

        结束语：这里只写了UTF8格式的，UTF16的道理也一样，只是UTF16的BOM只有两个字节，具体可见上面的BOM表示的图。总结起来说就是：UTF8转GBK本来是很容易的，因为字符都对应，只是因为有了BOM，使问题变得麻烦些，不过弄懂了原理也不复杂