Python之string编码问题

一、前言

使用过Python的同学们一定被她的各种编码问题缠绕过，因为平常维护的新老项目跨越 2、3两个版本，编码问题有时更是让我苦不堪言，遂下定决心，一定要干掉他，吃透他，遂记录此篇博文以分享记录！

什么是编码？

通常我们所说的编码一般为简称， 其实在平常的应用过程，编码一般包括 编码和解码，如在编码前指定 字符集UTF-8, 那么解码时也必须为UTF-8，否则会出现所谓的 乱码

什么是字符集

字符集类似于中文，英文，是一个规则集合的抽象概念，其规定了某个文字对应的二进制数字存放方式，即为编码过程，或者二进制数字对应的文字，即为解码过程!

字符集包括如下：

1.字库表

• 字库表是一个相当于所有可读或者可显示字符的数据库，字库表决定了整个字符集能够展现表示的所有字符的范围

2.编码字符集(通常简称 字符集)

• 编码字符集，用一个编码值code point(二进制代码)来表示一个字符（即该字符在字库表中的位置）

3.字符编码

• 字符编码，是编码字符集和实际存储数值之间的转换关系；
• 字符，是根据字符编码方案转换为一个二进制数值存储在计算机中的

一个范例

下面以一个实例解释下编解码的过程

• 字符编码: UTF-8
• 字符串:中国
• Python版本：2.7

说明：

1.编码转换方式

str_unicode为中间码。

即对应编码字符集 在字库表中有唯一id代表一个字符, 理论上 unicode即可以映射表示所有字符，但是为了压缩存储的位数，发展出了 utf-8、utf-16等字符编码，即在实际存储和字符展现之间又建立了一层映射，这层映射表示了 utf-8 到 unicode的方式，然后unicode又根据字库表展现改字符。

即 unicode有 utf-8及utf-16等多种方式的字符编码方案，GBK字符集 则只有一种字符编码 EUC-CN， 而对于Ascii码来说，本身即是编码字符集又是字符编码，

2.以一次Python代码执行为例， 解释 字库表、编码字符集(字符集) 与 字符编码的关系：

utf-8编码如何规定的？

单字节的字符，字节的第一位设为0，对于英语文本，UTF-8码只占用一个字节，和ASCII码完全相同；

n个字节的字符(n>1)，第一个字节的前n位设为1，第n+1位设为0，后面字节的前两位都设为10，这n个字节的其余空位填充该字符unicode码，高位用0补足。

UTF-8编码方式

----------------------
0xxxxxxx
110xxxxx 10xxxxxx
1110xxxx 10xxxxxx 10xxxxxx
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

utf-8和unicode的关系

• utf 解释为诶 Unicode TransferFormat 即 转换Unicode。
• unicode是一种字符编码，规定了每个字符到数字的映射关系, 这个数字怎么存储它没有规定. 而如何存储？ 几个字节表示？ 这个是utf8等编码方式来规定的。

有了unicode为什么还需要utf-8呢？

• 首先 unicode 规定了所有字符的二进制编码，并没有规定如何存储
• 如果我们以统一4个字节来存储所有unicode的编码字符，那就会在表示一个字节编码的ascii部分严重浪费存储性能
• 另外因为统一4字节处理，那如果一个文件分片或者是一份缺失文件，那么此时该如何来判断我们从头读取的 4字节是一个完整的字符呢？这就会造成很大的分析复杂度,可以说 无法分析， 这也是 utf-8等编码的优点即utf-8错误编码不会向后扩散
• 综合考虑 utf-8 是一种unicode 标准的存储方案，改方案规定了如何存储unicode字符，即看上面的utf-8的规定，大白话讲就是 utf-8 可变长编码规定了 字符的起始位置，且极大可能节省存储空间，总而言之很简单就是在无序中找到秩序

二、影响Python执行的编码方案

下列四种影响Python执行的编码方案，具体实例以最后所列案例为准

1.Python解释器的默认编码

获取解释器默认编码，Python3对应的默认编码为 utf-8，Python2对应的默认编码为ascii

import sys
print(sys.getdefaultencoding())

Python2设置默认编码方式，Python3解释器默认utf-8所以去除该种设置方式

import sys
reload(sys)
sys.setdefaultencoding('utf-8')

解释器编码有什么用？

• 当调用 decode() 和 encode() 进行编码转换时候，如果未指定编码格式，会调用解释器默认编码进行编码转换
• 若未指定编码方式 而有中文出现，此时会有报错产生

2.Python源文件文件编码

python源文件的编码与解码，我们写的python程序从产生到执行的过程如下(以Pycharm为例)

依次为

编辑器 决定源代码的编码格式(编辑器中设置)

pycharm 会根据文件开头的编码声明进行文件格式保存

此种声明保存的文件，是utf-8编码的

# coding: utf-8

此种声明保存的文件，是gbk编码的

# coding: gbk

同时也可以在setting中进行设置

解释器按照Ascii或者声明指定的方式解码源代码, 以下是 官方文档给的解释

Python will default to ASCII as standard encoding if no other encoding hints are given.

※： Python2中会按照编码声明对源代码进行解码，如未指定 编码声明 则会以 Ascii进行解码，此时如果有中文会报错

※：Python3默认以utf-8进行解码

若未指定编码声明, 而源代码中有中文

此时Python2 会以Ascii 来进行源代码的'解码'；Python3 会默认以  utf-8 进行源代码的'解码'。    

若源文件编码为utf-8, 而编码声明 为gbk

这种情况会出错，因为磁盘中保存的格式时 gbk 格式的而却以 utf-8 来进行解码，则会出错。

UnicodeDecodeError: 'gbk' codec can't decode bytes in position 2-3: illegal multibyte sequence

注意1：Python3将源代码读取到内存中的字符串编码为 unicode, 这样的中间码的方式，不会出现乱码, Python2以文件头声明的方式将源代码读取到内存中

注意2：Python2 在日常编程中一定注意 文件编码 和 文件声明要一致，如 文件编码为 utf-8 则此时应该如此声明 # coding: utf-8， 若此时用gbk 做声明，则此时会乱码，一编一解 要成对

结果输出，控制台输出 或 日志文件

解释器如何知道该文件的编码格式？

# coding: utf-8

3.操作系统的语言设置

locale 模块获取 操作系统编码

import locale
print locale.getdefaultencoding()

以open()函数为例

open() 函数会调用 Python操作系统默认编码进行 编解码

# coding: utf-8
import sys; reload(sys); sys.setdefaultencoding('utf-8')

str = '中国'  # utf-8  bytes类型
str_unicode = str.decode()  # unicode

with open('demo.txt', 'w') as f:
	f.write(str)  # 写入bytes类型，则此时文件编码为 utf-8 
	f.write(str_unicode)  # 写入 unicode,则此时会根据 sys.getdefaultencoding() 来进行文件编码

linux 下 vim打开以 gbk方式写入的文件会出现乱码，因为此时会调用操作系统的编码方式进行解码

4.Terminal使用的编码

终端编码 继承自操作系统的编码

三、 Python中的编码表示范例

1.utf-8表示中文你好

print("你好".encode('utf-8'))
>>> b'\xe4\xbd\xa0\xe5\xa5\xbd'

很容易看出 其中的 16进制数 e4bda0e5a5bd

2.Python中的len表示什么

• 对于字节流(bytes: 如utf-8字节流)来说表示字节数
• 对于unicode则表示字符数

三、最后

使用范例

Pycharm编码设置

• 字符串变量级别编码
• 脚本级别的编码
• py文件级别的编码
• 显示窗口的编码

问题收集 python3 unicode字符转中文

a = "\\u4ea7\\u54c1\\u72b6\\u6001"

# 两种方式
print(eval(f'u"{a}"'))	
print(a.encode().decode("unicode_escape"))

即 一个字符可以是一个中文汉字、一个英文字母、一个阿拉伯数字、一个标点符号等 ↩︎

如：Unicode、ASCII

总结

以上为个人经验，希望能给大家一个参考，也希望大家多多支持。