python自然语言编码转换模块codecs介绍
python对多国语言的处理是支持的很好的，它可以处理现在任意编码的字符，这里深入的研究一下python对多种不同语言的处理。
有一点需要清楚的是，当python要做编码转换的时候，会借助于内部的编码，转换过程是这样的：
原有编码->内部编码->目的编码
python的内部是使用unicode来处理的，但是unicode的使用需要考虑的是它的编码格式有两种，一是UCS-2，它一共有65536个码位，另一种是UCS-4，它有2147483648g个码位。对于这两种格式，python都是支持的，这个是在编译时通过--enable-unicode=ucs2或--enable-unicode=ucs4来指定的。那么我们自己默认安装的python有的什么编码怎么来确定呢？有一个办法，就是通过sys.maxunicode的值来判断：
importsys printsys.maxunicode
如果输出的值为65535,那么就是UCS-2,如果输出是1114111就是UCS-4编码。
我们要认识到一点：当一个字符串转换为内部编码后，它就不是str类型了！它是unicode类型：
a="风卷残云" printtype(a) b=a.unicode(a,"gb2312") printtype(b)
输出：
<type'str'> <type'unicode'>
这个时候b可以方便的任意转换为其他编码，比如转换为utf-8:
c=b.encode("utf-8")
printc
c输出的东西看起来是乱码，那就对了，因为是utf-8的字符串。
好了，该说说codecs模块了，它和我上面说的概念是密切相关的。codecs专门用作编码转换，当然，其实通过它的接口是可以扩展到其他关于代码方面的转换的，这个东西这里不涉及。
#-*-encoding:gb2312-*- importcodecs,sys
print'-'*60 #创建gb2312编码器 look =codecs.lookup("gb2312") #创建utf-8编码器 look2=codecs.lookup("utf-8")
a="我爱北京天安门"
printlen(a),a #把a编码为内部的unicode,但为什么方法名为decode呢，我的理解是把gb2312的字符串解码为unicode b=look.decode(a) #返回的b[0]是数据，b[1]是长度，这个时候的类型是unicode了 printb[1],b[0],type(b[0]) #把内部编码的unicode转换为gb2312编码的字符串，encode方法会返回一个字符串类型 b2=look.encode(b[0]) #发现不一样的地方了吧？转换回来之后，字符串长度由14变为了7!现在的返回的长度才是真正的字数，原来的是字节数 printb2[1],b2[0],type(b2[0]) #虽然上面返回了字数，但并不意味着用len求b2[0]的长度就是7了，仍然还是14，仅仅是codecs.encode会统计字数 printlen(b2[0])