python中文亂碼的示例分析

這篇文章主要介紹python中文亂碼的示例分析，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！

基礎(chǔ)知識(shí)ASCII

很久很久以前，有一群人，他們決定用8個(gè)可以開合的晶體管來組合成不同的狀態(tài)，以表示世界上的萬物。他們看到8個(gè)開關(guān)狀態(tài)是好的，于是他們把這稱為”字節(jié)“。再后來，他們又做了一些可以處理這些字節(jié)的機(jī)器，機(jī)器開動(dòng)了，可以用字節(jié)來組合出很多狀態(tài)，狀態(tài)開始變來變?nèi)?。他們看到這樣是好的，于是它們就這機(jī)器稱為”計(jì)算機(jī)“。開始計(jì)算機(jī)只在美國用。八位的字節(jié)一共可以組合出256(2的8次方)種不同的狀態(tài)。 他們把其中的編號(hào)從0開始的32種狀態(tài)分別規(guī)定了特殊的用途，一但終端、打印機(jī)遇上約定好的這些字節(jié)被傳過來時(shí)，就要做一些約定的動(dòng)作。遇上0×10, 終端就換行，遇上0×07, 終端就向人們嘟嘟叫，例好遇上0x1b, 打印機(jī)就打印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，于是就把這些0×20以下的字節(jié)狀態(tài)稱為”控制碼”。他們又把所有的空 格、標(biāo)點(diǎn)符號(hào)、數(shù)字、大小寫字母分別用連續(xù)的字節(jié)狀態(tài)表示，一直編到了第127號(hào)，這樣計(jì)算機(jī)就可以用不同字節(jié)來存儲(chǔ)英語的文字了。大家看到這樣，都感覺很好，于是大家都把這個(gè)方案叫做 ANSI 的”Ascii”編碼（American Standard Code for Information Interchange，美國信息互換標(biāo)準(zhǔn)代碼）。當(dāng)時(shí)世界上所有的計(jì)算機(jī)都用同樣的ASCII方案來保存英文文字。

GB2312

后來，就像建造巴比倫塔一樣，世界各地的都開始使用計(jì)算機(jī)，但是很多國家用的不是英文，他們的字母里有許多是ASCII里沒有的，為了可以在計(jì)算機(jī)保存他們的文字，他們決定采用 127號(hào)之后的空位來表示這些新的字母、符號(hào)，還加入了很多畫表格時(shí)需要用下到的橫線、豎線、交叉等形狀，一直把序號(hào)編到了最后一個(gè)狀態(tài)255。從128 到255這一頁的字符集被稱”擴(kuò)展字符集“。從此之后，貪婪的人類再?zèng)]有新的狀態(tài)可以用了，美帝國主義可能沒有想到還有第三世界國家的人們也希望可以用到計(jì)算機(jī)吧！等中國人們得到計(jì)算機(jī)時(shí)，已經(jīng)沒有可以利用的字節(jié)狀態(tài)來表示漢字，況且有6000多個(gè)常用漢字需要保存呢。

但是這難不倒智慧的中國人民，我們不客氣地把那些127號(hào)之后的奇異符號(hào)們直接取消掉, 規(guī)定：一個(gè)小于127的字符的意義與原來相同，但兩個(gè)大于127的字符連在一起時(shí)，就表示一個(gè)漢字，前面的一個(gè)字節(jié)（他稱之為高字節(jié)）從0xA1用到 0xF7，后面一個(gè)字節(jié)（低字節(jié)）從0xA1到0xFE，這樣我們就可以組合出大約7000多個(gè)簡(jiǎn)體漢字了。在這些編碼里，我們還把數(shù)學(xué)符號(hào)、羅馬希臘的字母、日文的假名們都編進(jìn)去了，連在 ASCII 里本來就有的數(shù)字、標(biāo)點(diǎn)、字母都統(tǒng)統(tǒng)重新編了兩個(gè)字節(jié)長的編碼，這就是常說的”全角”字符，而原來在127號(hào)以下的那些就叫”半角”字符了。 中國人民看到這樣很不錯(cuò)，于是就把這種漢字方案叫做 “GB2312“。GB2312 是對(duì) ASCII 的中文擴(kuò)展。

GBK

但是中國的漢字太多了，我們很快就就發(fā)現(xiàn)有許多人的人名沒有辦法在這里打出來，特別是某些很會(huì)麻煩別人的國家領(lǐng)導(dǎo)人。于是我們不得不繼續(xù)把 GB2312 沒有用到的碼位找出來老實(shí)不客氣地用上。 后來還是不夠用，于是干脆不再要求低字節(jié)一定是127號(hào)之后的內(nèi)碼，只要第一個(gè)字節(jié)是大于127就固定表示這是一個(gè)漢字的開始，不管后面跟的是不是擴(kuò)展字符集里的內(nèi)容。結(jié)果擴(kuò)展之后的編碼方案被稱為 GBK 標(biāo)準(zhǔn)，GBK 包括了 GB2312 的所有內(nèi)容，同時(shí)又增加了近20000個(gè)新的漢字（包括繁體字）和符號(hào)。 后來少數(shù)民族也要用電腦了，于是我們?cè)贁U(kuò)展，又加了幾千個(gè)新的少數(shù)民族的字，GBK 擴(kuò)成了 GB18030。

從此之后，中華民族的文化就可以在計(jì)算機(jī)時(shí)代中傳承了。 中國的程序員們看到這一系列漢字編碼的標(biāo)準(zhǔn)是好的，于是通稱他們叫做 “DBCS“（Double Byte Charecter Set 雙字節(jié)字符集）。在DBCS系列標(biāo)準(zhǔn)里，最大的特點(diǎn)是兩字節(jié)長的漢字字符和一字節(jié)長的英文字符并存于同一套編碼方案里，因此他們寫的程序?yàn)榱酥С种刑幚?，必須要注意字串里的每一個(gè)字節(jié)的值，如果這個(gè)值是大于127的，那么就認(rèn)為一個(gè)雙字節(jié)字符集里的字符出現(xiàn)了。那時(shí)候凡是受過加持，會(huì)編程的計(jì)算機(jī)僧侶們都要每天念下面這個(gè)咒語數(shù)百遍： “一個(gè)漢字算兩個(gè)英文字符！一個(gè)漢字算兩個(gè)英文字符……”

因?yàn)楫?dāng)時(shí)各個(gè)國家都像中國這樣搞出一套自己的編碼標(biāo)準(zhǔn)，結(jié)果互相之間誰也不懂誰的編碼，誰也不支持別人的編碼，連大陸和臺(tái)灣這樣只相隔了150海里，使用著同一種語言的兄弟地區(qū)，也分別采用了不同的 DBCS 編碼方案——當(dāng)時(shí)的中國人想讓電腦顯示漢字，就必須裝上一個(gè)”漢字系統(tǒng)”，專門用來處理漢字的顯示、輸入的問題，但是那個(gè)臺(tái)灣的愚昧封建人士寫的算命程序就必須加裝另一套支持 BIG5 編碼的什么”倚天漢字系統(tǒng)”才可以用，裝錯(cuò)了字符系統(tǒng)，顯示就會(huì)亂了套！這怎么辦？而且世界民族之林中還有那些一時(shí)用不上電腦的窮苦人民，他們的文字又怎么辦？ 真是計(jì)算機(jī)的巴比倫塔命題?。?/p>

UNICODE

正在這時(shí)，大天使加百列及時(shí)出現(xiàn)了，一個(gè)叫 ISO（國際標(biāo)誰化組織）的國際組織決定著手解決這個(gè)問題。他們采用的方法很簡(jiǎn)單：廢了所有的地區(qū)性編碼方案，重新搞一個(gè)包括了地球上所有文化、所有字母和符號(hào)的編碼！他們打算叫它”Universal Multiple-Octet Coded Character Set”，簡(jiǎn)稱 UCS, 俗稱 “unicode“。unicode開始制訂時(shí)，計(jì)算機(jī)的存儲(chǔ)器容量極大地發(fā)展了，空間再也不成為問題了。于是 ISO 就直接規(guī)定必須用兩個(gè)字節(jié)，也就是16位來統(tǒng)一表示所有的字符，對(duì)于ASCII里的那些“半角”字符，unicode 包持其原編碼不變，只是將其長度由原來的8位擴(kuò)展為16位，而其他文化和語言的字符則全部重新統(tǒng)一編碼。

由于”半角”英文符號(hào)只需要用到低8位，所以其高8位永遠(yuǎn)是0，因此這種大氣的方案在保存英文文本時(shí)會(huì)多浪費(fèi)一倍的空間。這時(shí)候，從舊社會(huì)里走過來的程序員開始發(fā)現(xiàn)一個(gè)奇怪的現(xiàn)象：他們的 strlen 函數(shù)靠不住了，一個(gè)漢字不再是相當(dāng)于兩個(gè)字符了，而是一個(gè)！是的，從 unicode 開始，無論是半角的英文字母，還是全角的漢字，它們都是統(tǒng)一的”一個(gè)字符“！同時(shí)，也都是統(tǒng)一的”兩個(gè)字節(jié)“，請(qǐng)注意”字符”和”字節(jié)”兩個(gè)術(shù)語的不同，“字節(jié)”是一個(gè)8位的物理存貯單元，而“字符”則是一個(gè)文化相關(guān)的符號(hào)。在 unicode 中，一個(gè)字符就是兩個(gè)字節(jié)。一個(gè)漢字算兩個(gè)英文字符的時(shí)代已經(jīng)快過去了。

unicode 同樣也不完美，這里就有兩個(gè)的問題，一個(gè)是，如何才能區(qū)別 unicode 和 ASCII？計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào)，而不是分別表示三個(gè)符號(hào)呢？第二個(gè)問題是，我們已經(jīng)知道，英文字母只用一個(gè)字節(jié)表示就夠了，如果 unicode 統(tǒng)一規(guī)定，每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示，那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是0，這對(duì)于存儲(chǔ)空間來說是極大的浪費(fèi)，文本文件的大小會(huì)因此大出二三倍，這是難以接受的。

UTF-8

unicode 在很長一段時(shí)間內(nèi)無法推廣，直到互聯(lián)網(wǎng)的出現(xiàn)，為解決 unicode 如何在網(wǎng)絡(luò)上傳輸?shù)膯栴}，于是面向傳輸?shù)谋姸?UTF（UCS Transfer Format）標(biāo)準(zhǔn)出現(xiàn)了，顧名思義，UTF-8就是每次8個(gè)位傳輸數(shù)據(jù)，而 UTF-16 就是每次16個(gè)位。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種 unicode 的實(shí)現(xiàn)方式，這是為傳輸而設(shè)計(jì)的編碼，并使編碼無國界，這樣就可以顯示全世界上所有文化的字符了。UTF-8 最大的一個(gè)特點(diǎn)，就是它是一種變長的編碼方式。它可以使用1~4個(gè)字節(jié)表示一個(gè)符號(hào)，根據(jù)不同的符號(hào)而變化字節(jié)長度，當(dāng)字符在 ASCII 碼的范圍時(shí)，就用一個(gè)字節(jié)表示，保留了 ASCII 字符一個(gè)字節(jié)的編碼做為它的一部分，注意的是 unicode 一個(gè)中文字符占2個(gè)字節(jié)，而UTF-8一個(gè)中文字符占3個(gè)字節(jié)）。從 unicode 到 uft-8 并不是直接的對(duì)應(yīng)，而是要過一些算法和規(guī)則來轉(zhuǎn)換。

看到這里你是徹底懵逼還是恍然大悟，如果是徹底懵逼建議你再多看幾次，溫故而知新，如果恍然大悟的話我們就接著往下看。

中文亂碼實(shí)例講解

介紹完了基礎(chǔ)知識(shí)，我們來說說 Python 中是如何存儲(chǔ)字符的，先來看一個(gè)亂碼的例子。新建一個(gè) demo.py 文件，文件存儲(chǔ)格式為utf-8文件中內(nèi)容如下。

s = "中文"
print s

在 cmd 中運(yùn)行 python demo.py，什么，我只是想打印中文兩個(gè)字居然給我報(bào)錯(cuò)，簡(jiǎn)直不可理喻啊！

趕緊打開 python 自帶的 idle 試試看，一點(diǎn)問題都沒有啊，這是為什么呢？

回頭好好看看 cmd 下報(bào)的錯(cuò)誤Non-ASCII character '\xe4' in file demo.py on line 1, but no encoding declared;，翻譯過來就是 在 demo.py 文件的第 1 行有非 ASCII 字符 ‘\xe4'，而且沒有聲明編碼，從上面基礎(chǔ)知識(shí)可知，ASCII 編碼是不能表示漢字中文的，demo.py 文件第一行有中文兩個(gè)漢字，而 demo.py 文件存儲(chǔ)格式為utf-8，所以中文兩個(gè)漢字在文件中存儲(chǔ)的時(shí)候是以 utf-8編碼存儲(chǔ)的，查看 demo.py 文件 16 進(jìn)制可以看到中文 存儲(chǔ)的是 \xe4\xb8\xad\xe6\x96\x87。

16 進(jìn)制查看用的是 notepad++ 自帶的 HEX-Editor 插件，另外函數(shù) repr也能顯示原始字符串，如下。

# encoding:utf-8
import sys
print sys.getdefaultencoding()
s = "中文"
print repr(s)

sys.getdefaultencoding()讀取 python 默認(rèn)編碼是 ASCII，而 ASCII 是不認(rèn)識(shí) \xe4的，所以會(huì)報(bào)錯(cuò)Non-ASCII character '\xe4' in file demo.py on line 1, but no encoding declared;，此時(shí)只要在 demo.py 文件頭加上 # encoding:utf-8就可以了，雖然是注釋，但 python 看到這句話就知道了接下來應(yīng)該用utf-8編碼了，而 demo.py 存儲(chǔ)時(shí)也是utf-8的，所以就正常了。

# encoding:utf-8
s = "中文"
print s

編碼聲明注釋寫成# -*- coding: utf-8 -*-也是可以的，只要滿足正則表達(dá)式^[ \t\v]*#.*?coding[:=][ \t]*([-_.a-zA-Z0-9]+)就OK。

我們?cè)俅卧?cmd 下運(yùn)行 python demo.py 試試看。

啥，啥，啥，說好的顯示中文呢？這不是逗我嗎？去 python idle 下試試看。

為什么同樣的文件在 python idle 中卻正常呢？肯定是 cmd 有問題，是的，我也是這樣想的，那我試著在 cmd 下進(jìn)入 python 交互模式輸出中文看看，我去居然 cmd 下也是可以正常輸出 中文的，相信看到這里小伙伴們都已經(jīng)暈了。

別急，聽我慢慢分析。其實(shí)當(dāng)在 cmd 或者 idle 中打印字符的時(shí)候已經(jīng)和文件編碼方式?jīng)]有關(guān)系了，此時(shí)起作用的是輸出環(huán)境也就是 cmd 或者 idle 的編碼方式有關(guān)，查看 cmd 的編碼命令是 chcp，返回 936，去網(wǎng)上查找可知 936 代表 GBK 編碼，這下我們大概知道什么原因了，demo.py 文件存儲(chǔ)和編碼聲明都是utf-8，但是 cmd 顯示編碼是 GBK，而將中文的utf-8 編碼 \xe4\xb8\xad\xe6\x96\x87 強(qiáng)制轉(zhuǎn)換為 GBK 就會(huì)亂碼了，GBK 是兩個(gè)字節(jié)存儲(chǔ)一個(gè)中文字符，所以 \xe4\xb8\xad\xe6\x96\x87 會(huì)解碼成三個(gè)字，很不幸這三個(gè)字涓枃不是常用字也不是我們想要的字符，所以就認(rèn)為是亂碼了。為什么在 cmd 下進(jìn)入 Python 交互式命令行可以呢，這是因?yàn)楫?dāng)在 python 交互式命令行輸入s = "中文"時(shí)，中文這兩個(gè)漢字其實(shí)是以 GBK 編碼存儲(chǔ)的，cmd 默認(rèn)編碼是 GBK ，不信看s打印\xd6\xd0\xce\xc4，這就是GBK編碼方式存儲(chǔ)，而utf-8編碼方式存儲(chǔ)同樣的中文為\xe4\xb8\xad\xe6\x96\x87。

下面告訴大家怎么解決在 cmd 下執(zhí)行文件正確輸出中文問題。

1、demo.py 文件和編碼聲明都為 GBK

這種方法比較笨，就是把 demo.py 文件改為 GBK 存儲(chǔ)，而且編碼聲明也是GBK，個(gè)人不推薦。

# encoding:gbk
s = "中文"
print s
print repr(s)

2、中文用 unicode 表示

只要在中文前面加上個(gè)小u標(biāo)記，后面的中文就用 unicode 存儲(chǔ)了。

# encoding:utf-8
s = u"中文"
print s
print repr(s)

cmd 下是可以打印 unicode 字符的，如下。

3、把中文強(qiáng)制轉(zhuǎn)換為GBK或者unicode編碼

強(qiáng)制轉(zhuǎn)換為unicode編碼，在 Python 中編碼是可以互相轉(zhuǎn)換的，比如從utf-8轉(zhuǎn)換為gbk，不同編碼之間不能直接轉(zhuǎn)換，需要通過unicode字符集中間過渡下，從上面基礎(chǔ)知識(shí)可知unicode是一種字符集，不屬于編碼，而utf-8是具體實(shí)現(xiàn)unicode思想的一種編碼。utf-8轉(zhuǎn)換為unicode是一種解碼過程，通過decode可從utf-8解碼成unicode。

# encoding:utf-8
s = "中文"
u = s.decode('utf-8')
print u
print type(u)
print repr(u)

強(qiáng)制轉(zhuǎn)換為gbk編碼，上一步已經(jīng)從utf-8轉(zhuǎn)換為unicode了，從unicode是編碼的過程，通過encode實(shí)現(xiàn)。

# encoding:utf-8
s = "中文"
u = s.decode('utf-8')
g = u.encode('gbk')
print g
print type(g)
print repr(g)

總結(jié)

windows cmd 窗口下不支持utf-8，想要顯示中文必須轉(zhuǎn)換為gbk或者unicode，而 Python idle 中這三種編碼都支持。中文亂碼的出現(xiàn)都是由于編碼不一致導(dǎo)致的，存儲(chǔ)的是用utf-8，打印的時(shí)候用gbk就會(huì)亂碼了，所有要保證不亂碼盡量保持統(tǒng)一，建議全部使用unicode。

decode 解碼

從其它編碼變成unicode叫解碼，解碼用的方法是decode，第一個(gè)參數(shù)為被解碼的字符串原始編碼格式，如果寫錯(cuò)了也會(huì)報(bào)錯(cuò)。比如 s 是utf-8，用gbk去解碼就會(huì)報(bào)錯(cuò)。

# encoding:utf-8
s = "中文"
u = s.decode('gbk')
print u
print repr(u)

小提示

在 Python idle 和 cmd 下直接輸入 s = "中文"會(huì)以 gbk 編碼的，如果在文件中輸入 s = "中文"且文件存儲(chǔ)格式為utf-8，那么 s 是以u(píng)tf-8編碼存儲(chǔ)的，有點(diǎn)不一樣曾經(jīng)踩過坑，及時(shí) Python idle 成功了文件運(yùn)行的時(shí)候也可能失敗。

encode 編碼

不可以直接從utf-8轉(zhuǎn)換為gbk，必須經(jīng)過unicode中間轉(zhuǎn)換，這點(diǎn)很重要，被編碼的原始字符串一定要為unicode，否則會(huì)報(bào)錯(cuò)。

raw_input

raw_input 是獲取用戶輸入值的，獲取到的用戶輸入值和當(dāng)前運(yùn)行環(huán)境編碼有關(guān)，比如 cmd 下默認(rèn)編碼是 gbk，那么輸入的漢字就是以gbk編碼，而不管 demo.py 文件編碼格式和編碼聲明。

# encoding:utf-8
s = raw_input("input something: ")
print s
print type(s)
print repr(s)

GBK 編碼一個(gè)漢字兩個(gè)字節(jié)，UTF-8 一個(gè)漢字通常3個(gè)字節(jié)。

細(xì)心的朋友已經(jīng)注意了，raw_input的提示語我用的是英文，那改成中文看看，果真出現(xiàn)亂碼了。

# encoding:utf-8
s = raw_input("請(qǐng)輸入中文漢字：")
print s
print type(s)
print repr(s)

怎么辦呢？把提示字符串強(qiáng)制為gbk編碼就好，unicode和utf-8都不可以。

# encoding:utf-8
s = raw_input(u"請(qǐng)輸入中文漢字：".encode('gbk'))
print s
print type(s)
print repr(s)

相等陷阱

“中文”這兩個(gè)字符串用不同的編碼存儲(chǔ)是不一樣的，utf-8編碼和gbk編碼存儲(chǔ)的“中文”都不一樣。

總結(jié)

一口氣說了這么多，不知道你們看懂沒？想要不亂碼，記住以下5點(diǎn)法則就好。

1、文件存儲(chǔ)為utf-8格式，編碼聲明為utf-8，# encoding:utf-8
2、出現(xiàn)漢字的地方前面加 u
3、不同編碼之間不能直接轉(zhuǎn)換，要經(jīng)過unicode中間跳轉(zhuǎn)
4、cmd 下不支持utf-8編碼
5、raw_input提示字符串只能為gbk編碼

以上是“python中文亂碼的示例分析”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對(duì)大家有幫助，更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！