Python encode和decode

今天在写一个StringIO.write(int)示例时思维那么一发散就拐到了字符集的问题上，顺手搜索一发，除了极少数以外，绝大多数中文博客都解释的惨不忍睹，再鉴于被此问题在oracle的字符集体系中蹂躏过，因此在过往笔记的基础上增删了几个示例贴出来。

Python2:

首先清楚两个Python 2中的概念：str和unicode 这是python2中的两种用于表示文本的类型，一般来说你直接打出的字符都属于前者，加了u前缀的字符则属于后者。

　　str is text representation in bytes, unicode is text representation in characters.

此观点来自stackoverflow，是得票最多的一个回答，也是我认为最好的一个，但是从我个人的角度来看这个表述依然不足，最适合的表述应当是：

　　str is text representation in bytes, unicode is text representation in unicode characters（or unicode bytes）.

貌似没多大区别......可能会被人打，但我的意思是python2里的unicode是字符和编码绑定的，只要是unicode类型那么他的编码和字符都已经固定了，但是str类型却只有编码，只有最初打出它的人才知道他的字符是什么（或者说才能通过适当的字符集解码为人眼可懂的字符）。

Python2里的str是十六进制表示的二进制编码，unicode是一个字符：
通俗点来说就是Python2里的str类型是一堆二进制编码，如果不知道是什么字符集那么你除了一堆十六进制
数什么都看不出来(当然平时你使用的工具都是能看到的，因为工具已经做了转码)，通过decode可以将其按固定的字符集解码，生成unicode字符。
例如下例（python2环境下的windows cmd窗口）：
>>> a='你好'
>>> a.decode('utf-8')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "C:\Python27\lib\encodings\utf_8.py", line 16, in decode
    return codecs.utf_8_decode(input, errors, True)
UnicodeDecodeError: 'utf8' codec can't decode byte 0xc4 in position 0: invalid continuation byte
错误的原因是这里的“你好”字符是cp936编码（相当于gbk），utf-8属于非ANSI体系的编码，“你好”的gbk二进制码不符合unicode体系的编码规则因此报错。
>>> print a.decode('gbk'),type(a.decode('gbk'))
你好 <type 'unicode'>
这样就可以啦，既然a是gbk编码的str那么按gbk进行decode解码，自然能得到unicode的你好字符。

decode: str to unicode，decode的输入必须是str类型，输出一定是unicode类型
str.decode(encoding='UTF-8',errors='strict')
​
encode: unicode to str，encode的输入必须是unicode类型，输出一定是str类型
unicode_char.encode(encoding='gbk',errors='strict')

Python3：

在Python3中str调用decode()方法会遇到： AttributeError: 'str' object has no attribute 'decode' .

why?

这是因为python3中表示文本的只有一种类型了，那就是str，你以为这是python2里的那个str吗？No! 这个str是python2中的unicode类型......

那么原来的str哪里去了？被命名为bytes类型了，decode方法也随之给了bytes类型,encode给了str类型。

这样做的好处是：

在Python2中str和unicode都有decode，encode两种方法，但是字符集参数不设置正确的话，函数经常报错，文本能否正确流通取决于大家是否清楚输入编码的字符集，这对于全球化的网站来说是个巨坑，而在Python3中无论你输入什么字符，统一都是str类型的（也就是python2里的unicode类型），通过bytes和str类型的分离将decode，encode这两种方法分离，encode函数不会出错，因为编码与字符集是绑定的，你可以随意将unicode字符转化为任意ANSI体系字符集的bytes类型，此时在已知ANSI字符集的情况下，你对bytes类型的decode转码一定不会出错。通过这种方式就避免了python2中输入str类型带来的编码混乱问题。

[root@python ~]# python3
Python 3.6.5 (default, Apr  9 2018, 17:15:34)
[GCC 4.4.7 20120313 (Red Hat 4.4.7-4)] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> a='你好'
>>> type(a)
<class 'str'>
>>> a.encode('gbk')
b'\xc4\xe3\xba\xc3'
>>> type(a.encode('gbk'))
<class 'bytes'>
通过encode方式我们可以把unicode字符转为任意字符集的bytes类型，这种bytes类型可以通过decode()来重新转为unicode。

使用相似的观点来表述Python3中的bytes和str的区别就是：

 bytes is text representation in bytes only if you know the charset, str is text representation in unicode characters（or unicode bytes）.