如何分析Python unicode編碼問題

如何分析Python unicode編碼問題，相信很多沒有經(jīng)驗的人對此束手無策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個問題。

這個問題在python3.0里已經(jīng)解決了。

這有篇很好的文章，可以明白這個問題:

為什么會報錯“UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)”？本文就來研究一下這個問題。

字符串在Python內(nèi)部的表示是unicode編碼，因此，在做編碼轉(zhuǎn)換時，通常需要以unicode作為中間編碼，即先將其他編碼的字符串解碼（decode）成unicode，再從unicode編碼（encode）成另一種編碼。

decode的作用是將其他編碼的字符串轉(zhuǎn)換成unicode編碼，如str1.decode('gb2312')，表示將gb2312編碼的字符串str1轉(zhuǎn)換成unicode編碼。

encode的作用是將unicode編碼轉(zhuǎn)換成其他編碼的字符串，如str2.encode('gb2312')，表示將unicode編碼的字符串str2轉(zhuǎn)換成gb2312編碼。

因此，轉(zhuǎn)碼的時候一定要先搞明白，字符串str是什么編碼，然后decode成unicode，然后再encode成其他編碼

代碼中字符串的默認(rèn)編碼與代碼文件本身的編碼一致。

如：s='中文'

如果是在utf8的文件中，該字符串就是utf8編碼，如果是在gb2312的文件中，則其編碼為gb2312。這種情況下，要進(jìn)行編碼轉(zhuǎn)換，都需 要先用decode方法將其轉(zhuǎn)換成unicode編碼，再使用encode方法將其轉(zhuǎn)換成其他編碼。通常，在沒有指定特定的編碼方式時，都是使用的系統(tǒng)默 認(rèn)編碼創(chuàng)建的代碼文件。

如果字符串是這樣定義：s=u'中文'

則該字符串的編碼就被指定為unicode了，即python的內(nèi)部編碼，而與代碼文件本身的編碼無關(guān)。因此，對于這種情況做編碼轉(zhuǎn)換，只需要直接使用encode方法將其轉(zhuǎn)換成指定編碼即可。

如果一個字符串已經(jīng)是unicode了，再進(jìn)行解碼則將出錯，因此通常要對其編碼方式是否為unicode進(jìn)行判斷：

isinstance(s, unicode) #用來判斷是否為unicode

用非unicode編碼形式的str來encode會報錯

如何獲得系統(tǒng)的默認(rèn)編碼？

#!/usr/bin/env python

#coding=utf-8

import sys

print sys.getdefaultencoding()

該段程序在英文WindowsXP上輸出為：ascii

在某些IDE中，字符串的輸出總是出現(xiàn)亂碼，甚至錯誤，其實是由于IDE的結(jié)果輸出控制臺自身不能顯示字符串的編碼，而不是程序本身的問題。

如在UliPad中運(yùn)行如下代碼：

s=u"中文"

print s

會提示：UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)。這是因為UliPad在英文WindowsXP上的控制臺信息輸出窗口是按照ascii編碼輸出的（英文系統(tǒng)的默認(rèn)編碼是 ascii），而上面代碼中的字符串是Unicode編碼的，所以輸出時產(chǎn)生了錯誤。

將最后一句改為：print s.encode('gb2312')

則能正確輸出“中文”兩個字。

若最后一句改為：print s.encode('utf8')

則輸出：\xe4\xb8\xad\xe6\x96\x87，這是控制臺信息輸出窗口按照ascii編碼輸出utf8編碼的字符串的結(jié)果。

unicode(str,'gb2312')與str.decode('gb2312')是一樣的，都是將gb2312編碼的str轉(zhuǎn)為unicode編碼

使用str.__class__可以查看str的編碼形式

>>>>>

groups.google.com/group/python-cn/browse_thread/thread/be4e4e0d4c3272dd

-----

python是個容易出現(xiàn)編碼問題的語言。所以，我按照我的理解寫下下面這些文字。

=首先，要了解幾個概念。= 

*字節(jié)：計算機(jī)數(shù)據(jù)的表示。8位二進(jìn)制?？梢员硎緹o符號整數(shù)：0-255。下文，用“字節(jié)流”表示“字節(jié)”組成的串。 

*字符：英文字符“abc”，或者中文字符“你我他”。字符本身不知道如何在計算機(jī)中保存。下文中，會避免使用“字符串”這個詞，而用“文本”來表 

示“字符”組成的串。 

*編碼（動詞）：按照某種規(guī)則（這個規(guī)則稱為：編碼（名詞））將“文本”轉(zhuǎn)換為“字節(jié)流”。（在python中：unicode變成str） 

*解碼（動詞）：將“字節(jié)流”按照某種規(guī)則轉(zhuǎn)換成“文本”。（在python中：str變成unicode） 

**實際上，任何東西在計算機(jī)中表示，都需要編碼。例如，視頻要編碼然后保存在文件中，播放的時候需要解碼才能觀看。 

unicode：unicode定義了，一個“字符”和一個“數(shù)字”的對應(yīng)，但是并沒有規(guī)定這個“數(shù)字”在計算機(jī)中怎么保存。（就像在C中，一個整數(shù)既 

可以是int，也可以是short。unicode沒有規(guī)定用int還是用short來表示一個“字符”） 

utf8：unicode實現(xiàn)。它使用unicode定義的“字符”“數(shù)字”映射，進(jìn)而規(guī)定了，如何在計算機(jī)中保存這個數(shù)字。其它的utf16等都是 

unicode實現(xiàn)。 

gbk：類似utf8這樣的“編碼”。但是它沒有使用unicode定義的“字符”“數(shù)字”映射，而是使用了另一套的映射方法。而且，它還定義了如何在 

計算機(jī)中保存。 

=python中的encode，decode方法= 

首先，要知道encode是 unicode轉(zhuǎn)換成str。decode是str轉(zhuǎn)換成unicode。 

下文中，u代表unicode類型的變量，s代表str類型的變量。 

u.encode('...')基本上總是能成功的，只要你填寫了正確的編碼。就像任何文件都可以壓縮成zip文件。 

s.decode('...')經(jīng)常是會出錯的，因為str是什么“編碼”取決于上下文，當(dāng)你解碼的時候需要確保s是用什么編碼的。就像，打開zip文 

件的時候，你要確保它確實是zip文件，而不僅僅是偽造了擴(kuò)展名的zip文件。 

u.decode(),s.encode()不建議使用，s.encode相當(dāng)于s.decode().encode()首先用默認(rèn)編碼（一般是 

ascii）轉(zhuǎn)換成unicode在進(jìn)行encode。 

=關(guān)于#coding=utf8= 

當(dāng)你在py文件的第一行中，寫了這句話，并確實按照這個編碼保存了文本的話，那么這句話有以下幾個功能。 

1.使得詞法分析器能正常運(yùn)作，對于注釋中的中文不報錯了。 

2.對于u"中文"這樣literal string能知道兩個引號中的內(nèi)容是utf8編碼的，然后能正確轉(zhuǎn)換成unicode 

3."中文"對于這樣的literal string你會知道，這中間的內(nèi)容是utf8編碼，然后就可以正確轉(zhuǎn)換成其它編碼或unicode了。 

沒有寫完，先碼那么多字，以后再來補(bǔ)充，這里不是wiki，太麻煩了。

>>>>>

>>>>>

=Python編碼和Windows控制臺= 

我發(fā)現(xiàn)，很多初學(xué)者出錯的地方都在print語句，這牽涉到控制臺的輸出。我不了解linux，所以只說控制臺的。 

首先，Windows的控制臺確實是unicode（utf16_le編碼）的，或者更準(zhǔn)確的說使用字符為單位輸出文本的。 

但是，程序的執(zhí)行是可以被重定向到文件的，而文件的單位是“字節(jié)”。 

所以，對于C運(yùn)行時的函數(shù)printf之類的，輸出必須有一個編碼，把文本轉(zhuǎn)換成字節(jié)?？赡苁菫榱思嫒?5，98， 

沒有使用unicode的編碼，而是mbcs（不是gbk之類的）。 

windows的mbcs，也就是ansi，它會在不同語言的windows中使用不同的編碼，在中文的windows中就是gb系列的編碼。 

這造成了同一個文本，在不同語言的windows中是不兼容的。 

現(xiàn)在我們知道了，如果你要在windows的控制臺中輸出文本，它的編碼一定要是“mbcs”。 

對于python的unicode變量，使用print輸出的話，會使用sys.getfilesystemencoding()返回的編碼，把它變成str。 

如果是一個utf8編碼str變量，那么就需要 print s.decode('utf8').encode('mbcs') 

最后，對于str變量，file文件讀取的內(nèi)容，urllib得到的網(wǎng)絡(luò)上的內(nèi)容，都是以“字節(jié)”形式的。 

它們?nèi)绻_實是一段“文本”，比如你想print出來看看。那么你必須知道它們的編碼。然后decode成unicode。 

如何知道它們的編碼： 

1.事先約定。（比如這個文本文件就是你自己用utf8編碼保存的） 

2.協(xié)議。（python文件第一行的#coding=utf8，html中的等） 

2.猜。 

>>>>>

> 這個非常好，但還不是很明白 

> 將“文本”轉(zhuǎn)換為“字節(jié)流”。（在python中：unicode變成str） 

"最后，對于str變量，file文件讀取的內(nèi)容，urllib得到的網(wǎng)絡(luò)上的內(nèi)容，都是以“字節(jié)”形式的。" 

雖然文件或者網(wǎng)頁是文本的,但是在保存或者傳輸時已經(jīng)被編碼成bytes了,所以用"rb"打開的file和從socket讀取的流是基于字節(jié)的. 

"它們?nèi)绻_實是一段“文本”，比如你想print出來看看。那么你必須知道它們的編碼。然后decode成unicode。" 

這里的加引號的"文本",其實還是字節(jié)流(bytes),而不是真正的文本(unicode),只是說明我們知道他是可以解碼成文本的.

在解碼的時候,如果是基于約定的,那就可以直接從指定地方讀取如BOM或者python文件的指定coding或者網(wǎng)頁的meta,就可以正確解碼, 

但是現(xiàn)在很多文件/網(wǎng)頁雖然指定了編碼,但是文件格式實際卻使用了其他的編碼(比如py文件指定了coding=utf8,但是你還是可以保存成ansi--記事本的默認(rèn)編碼),這種情況下真實的編碼就需要去猜了 

解碼了的文本只存在運(yùn)行環(huán)境中,如果你需要打印/保存/輸出給數(shù)據(jù)庫/網(wǎng)絡(luò)傳遞,就又需要一次編碼過程,這個編碼與上面的編碼沒有關(guān)系,只是依賴于你的選擇,但是這個編碼也不是可以隨便選擇的,因為編碼后的bytes如果又需要傳遞給其他人/環(huán)境,那么如果你的編碼也不遵循約定,又給下一個人/環(huán)境造成了困擾,于是遞歸之~~~~ 

>>>>>

> 主要有一條非常容易誤解： 

> 一般人會認(rèn)為Unicode（廣義）統(tǒng)一了編碼，其實不然。Unicode不是唯一的編碼，而一大堆編碼的統(tǒng)稱。但是Windows下Unicode

> （狹義）一般特指UCS2，也就是UTF-16/LE 

unicode作為字符集(ucs)是唯一的,編碼方案(utf)才是有很多種 

>>>>>

將字符與字節(jié)的概念區(qū)分開來是很重要的。Java 一直就是這樣，Python也開始這么做了，Ruby 貌似還在混亂當(dāng)中。

>>>>>

>>>>>

我也說兩句。我對編碼的研究相對比較深一些。因為工作中也經(jīng)常遇到亂碼，于是在05年，對編碼專門做過研究，并在公司刊物上發(fā)過文章，最后形成了一個教材，每年在公司給新員工都講一遍。于是項目中遇到亂碼的問題就能很快的定位并解決了。 

理論上，從一個字符到具體的編碼，會經(jīng)過以下幾個概念。 

字符集（Abstract character repertoire） 

編碼字符集（Coded character set） 

字符編碼方式（Character encoding form） 

字符編碼方案（Character encoding scheme ） 

字符集：就算一堆抽象的字符，如所有中文。字符集的定義是抽象的，與計算機(jī)無關(guān)。 

編碼字符集：是一個從整數(shù)集子集到字符集抽象元素的映射。即給抽象的字符編上數(shù)字。如gb2312中的定義的字符，每個字符都有個整數(shù)和它對應(yīng)。一個整數(shù)只對應(yīng)著一個字符。反過來，則不一定是。這里所說的映射關(guān)系，是數(shù)學(xué)意義上的映射關(guān)系。編碼字符集也是與計算機(jī)無關(guān)的。unicode字符集也在這一層。 

字符編碼方式：這個開始與計算機(jī)有關(guān)了。編碼字符集的編碼點(diǎn)在計算機(jī)里的具體表現(xiàn)形式。通俗的說，意思就是怎么樣才能將字符所對應(yīng)的整數(shù)的放進(jìn)計算機(jī)內(nèi)存，或文件、或網(wǎng)絡(luò)中。于是，不同人有不同的實現(xiàn)方式，所謂的萬碼奔騰，就是指這個。gb2312，utf-8,utf-16,utf-32等都在這一層。 

字符編碼方案：這個更加與計算機(jī)密切相關(guān)。具體是與操作系統(tǒng)密切相關(guān)。主要是解決大小字節(jié)序的問題。對于UTF-16和UTF-32

編碼，Unicode都支持big-endian 和 little-endian兩種編碼方案。 

一般來說，我們所說的編碼，都在第三層完成。具體到一個軟件系統(tǒng)中，則很復(fù)雜。 

瀏覽器－apache－tomcat（包括tomcat內(nèi)部的jsp編碼、編譯，文件讀取）－數(shù)據(jù)庫之間，只要存在數(shù)據(jù)交互，就有可能發(fā)生編碼不一致，如果在讀取數(shù)據(jù)時，沒有正確的decode和encode，出現(xiàn)亂碼就是家常便飯了。

看完上述內(nèi)容，你們掌握如何分析Python unicode編碼問題的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！