(转载)一篇文章详解python的字符编码问题

一篇文章详解python的字符编码问题

 

一：什么是编码

　　将明文转换为计算机可以识别的编码文本称为“编码”。反之从计算机可识别的编码文本转回为明文为“解码”。

　　那么什么是明文呢，首先我们从一段信息说起，消息以人们可以理解，易懂的表示存在，我们把这个表示为明文（plain text）。对于说英文的人，纸张上打印的或者屏幕上显示的英文都算是明文。

二：都有什么编码格式？

1：ASCII（占一个字符，只支持英文）

　　计算机上的数据都是以二进制的形式存储的，1个字节（8比特）可以表示256种状态，英文只有26个字符，再加上一些特殊的字符，使用128个就够了，计算机就可以使用127个不同字节来表示英文文字，这就是ASCII码

2：GB2312（占两个字符，支持6700+汉字）

　　计算机进入中国后，无法显示中文，一个字节已经被占满了，我国重新制定了一个编码表，将扩展的第八位对应的拉丁文全部删掉，规定一个小于127的字符与原来的意义相同，当两个大于127的字符连接在一起的时候，就表示一个汉字，前面一个字节为高字节，后面一个字节为低字节，这样就可以表示7000多汉字，这种编码叫做GB2312。GB2312是对ASCII的中文扩展

3：GBK和GB18030（GB2312的升级版，支持21000+汉字）

　　由于汉字的数量太大，GB2312是不能满足需求，后面规定只要第一个字节大于127就固定表示一个汉字，不管后面的是不是扩展字符里面的内容，扩展后的编码称为GBK，GBK包括了GB２３１２的所有内容，同时增加了近20000个新的汉字和符号

4：Shift-JIS 日本编码（这里不过多解释）

5：TIS-620泰国编码（这里不过多解释）

6：ks_c_5601-1987韩国编码（这里不过多解释）

　　由于每个国家都有自己的字符，所以其对应关系也涵盖了自己国家的字符，但是以上编码都存在局限性，即：仅涵盖本国字符，无其他国家字符的对应关系。应运而生出现了万国码，他涵盖了全球所有的文字和二进制的对应关系

7：Unicode（2-4字节，已经收录了136690个字符，并一直扩展）

　　在uincode出现之前，每隔国家都搞自己的编码，彼此之间互不支持，带来了许多不方便，国际标准组织提出来一个统一的编码标准：unicode

　　unicode用两个字符来表示一个字符，可以提供65535种字符，足够覆盖世界上所有的字符

8：UTF-8（Unicode Transformation Format）

　　unicode的出现，提供了统一的标准，但对于英文世界来说，一个字节完全够用，如果使用unicode会浪费大量的空间，为了解决这个问题提出来utf-8，一种针对unicode的可变长度字符串，可以使用1-4个字符表示一个符号，根据不同的符号变化字节长度，当字符在ASCII编码范围内，用一个字节表示，兼用ASCII。

　　使用这样编码的好处是，虽然内存汇总的数据都是unicode，但是当数据保存到磁盘或者用于网络传输时，使用utf-8会节省更多的流量和硬盘空间。

• UTF-8： 使用1、2、3、4个字节表示所有字符；优先使用1个字符、无法满足则使增加一个字节，最多4个字节。英文占1个字节、欧洲语系占2个、东亚占3个，其它及特殊字符占4个
• UTF-16： 使用2、4个字节表示所有字符；优先使用2个字节，否则使用4个字节表示。
• UTF-32： 使用4个字节表示所有字符；

　　unicode和utf-8的关系：unicode是内存编码表示方案，而utf-8是如何保存和传输unicode的方案

三：编码的转换

　　虽然国际语言是英语 ，但大家在自己的国家依然说自已的语言，不过出了国， 你就得会英语
编码也一样，虽然有了unicode and utf-8 ， 但是由于历史问题，各个国家依然在大量使用自己的编码，比如中国的windows,默认编码依然是gbk,而不是utf-8

　　基于此，如果中国的软件出口到美国，在美国人的电脑上就会显示乱码，因为他们没有gbk编码。
　　若想让中国的软件可以正常的在 美国人的电脑上显示，只有以下2条路可走：

1. 让美国人的电脑上都装上gbk编码
2. 把你的软件编码以utf-8编码

　　第1种方法几乎不可能实现，第2种方法比较简单。 但是也只能是针对新开发的软件。 如果你之前开发的软件就是以gbk编码的，上百万行代码可能已经写出去了，重新编码成utf-8格式也会费很大力气。

　　so , 针对已经用gbk开发完毕的项目，以上2种方案都不能轻松的让项目在美国人电脑上正常显示，难道没有别的办法了么？
　　有， 还记得我们、、讲unicode其中一个功能是其包含了跟全球所有国家编码的映射关系，意思就是，你写的是gbk的“学习”,但是unicode能自动知道它在unicode中的“学习”的编码是什么，如果这样的话，那是不是意味着，无论你以什么编码存储的数据 ，只要你的软件在把数据从硬盘读到内存里，转成unicode来显示，就可以了。
由于所有的系统、编程语言都默认支持unicode，那你的gbk软件放到美国电脑 上，加载到内存里，变成了unicode,中文就可以正常展示啦。

1	unicode与gbk的映射表 http://www.unicode.org/charts/

　　

四：python2.x的编码

　　在python2.x中，有两种字符串类型：str类型和unicode类型。这两个类型只是python定义的两个名字，关键还要看这两种数据类型在内存中的存储方法是什么

str和unicode都是basestring的子类。严格意义上说，str其实是字节串，它是unicode经过编码后的字节组成的序列。

　　而unicode是一个字符串，str是unicode这个字符串经过编码（utf8,gbk等）后的字节组成的序列。

unicode才是真正意义上的字符串，对字节串str使用正确的字符编码进行解码后获得

在Py2里，str＝bytes。python2的字符串其实更应该称为字节串

py2编码的最大特点是Python 2 将会自动的将bytes数据解码成 unicode 字符串

所以在2里我们可以将字节与字符串拼接。

Python 2.7.14 (v2.7.14:84471935ed, Sep 16 2017, 20:25:58) [MSC v.1500 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> s = '学习'
>>> print type(s)
<type 'str'>
>>> print repr(s)
'\xd1\xa7\xcf\xb0'

>>> s = u'学习'
>>> print type(s)
<type 'unicode'>
>>> print repr(s)
u'\u5b66\u4e60'

　　由上面的例子可以看出str和unicode分别存储的是字节数据和unicode数据

　　但是，python2.x悄悄掩盖掉了byte到unicode的转换，只要数据全部是ASCII的话，所有的转换都是正确的，一个一个非ASCII的字符进入你的程序，那么默认的解码将会失效，从而造成unicodedecodeerror的错误，py2编码让程序在出路ASCII的时候非常简单，付出的代价就是在处理非ASCII的时候将会失败。

由于Python创始人在开发初期认知的局限性，其并未预料到python能发展成一个全球流行的语言，导致其开发初期并没有把支持全球各国语言当做重要的事情来做，所以就轻佻的把ASCII当做了默认编码。 当后来大家对支持汉字、日文、法语等语言的呼声越来越高时，Python于是准备引入unicode,但若直接把默认编码改成unicode的话是不现实的， 因为很多软件就是基于之前的默认编码ASCII开发的，编码一换，那些软件的编码就都乱了。所以Python 2 就直接 搞了一个新的字符类型，就叫unicode类型，比如你想让你的中文在全球所有电脑上正常显示，在内存里就得把字符串存成unicode类型

五：python3.x的编码

　　python3.x也有两种数据类型，str和bytes；str类型存unicode数据，bytes类型存bytes数据，

　　python3.x将utf-8或者gbk等编码的字节数据转化为python3.x的str类型，utf-8编码的bytes<-->str

　　python2.x将utf-8或者gbk等编码的字节数据转化为python2.x的unicode类型，utf-8编码的str<-->unicode

　　python3.x的编码思想就是它清晰的将文本和二进制区分开了，不会对bytes字节进行自动编码。文本总是unicode，由str类型表示，二进制数据则由bytes类型表示，Python 3不会以任意隐式的方式混用str和bytes，将两者明确地区分开。基于此，Python3中不能拼接字符串和字节包，也不可以在字节包里搜索字符串（反之亦然），也不能向使用字符串参数的函数中传入字节包参数（反之亦然）。

python3 执行代码的过程

1. 解释器找到代码文件，把代码字符串按文件头定义的编码加载到内存，转成unicode
2. 把代码字符串按照语法规则进行解释，
3. 所有的变量字符都会以unicode编码声明

######在python2.x#######
print(b'hello'+'world')
会输出
helloworld

######在python3.x#######
print(b'hello'+'world')
会输出
TypeError: can't concat str to bytes

　　本来这样就可以结束了，但是上面的utf-8编码之所以能在windows gbk的终端下显示正常，是因为到了内存里python解释器把utf-8转成了unicode , 但是这只是python3, 并不是所有的编程语言在内存里默认编码都是unicode,比如 万恶的python2 就不是， 它的默认编码是ASCII，想写中文，就必须声明文件头的coding为gbk or utf-8, 声明之后，python2解释器仅以文件头声明的编码去解释你的代码，加载到内存后，并不会主动帮你转为unicode,也就是说，你的文件编码是utf-8,加载到内存里，你的变量字符串就也是utf-8, 这意味着什么你知道么？。。。意味着，你以utf-8编码的文件，在windows是乱码。

乱是正常的，不乱才不正常，因为只有2种情况 ，你的windows上显示才不会乱

1. 字符串以GBK格式显示
2. 字符串是unicode编码

　　既然Python2并不会自动的把文件编码转为unicode存在内存里， 那就只能使出最后一招了，你自己人肉转。Py3 自动把文件编码转为unicode必定是调用了什么方法，这个方法就是，decode(解码) 和encode(编码)

　　时间来到2008年，python发展已近20年，创始人龟叔越来越觉得python里的好多东西已发展的不像他的初衷那样，开始变得臃肿、不简洁、且有些设计让人摸不到头脑，比如unicode 与str类型，str 与bytes类型的关系，这给很多python程序员造成了困扰。
　　龟叔再也忍不了，像之前一样的修修补补已不能让Python变的更好，于是来了个大变革，Python3横空出世，不兼容python2,python3比python2做了非常多的改进，其中一个就是终于把字符串变成了unicode,文件默认编码变成了utf-8,这意味着，只要用python3,无论你的程序是以哪种编码开发的，都可以在全球各国电脑上正常显示，真是太棒啦！

　　PY3 除了把字符串的编码改成了unicode, 还把str 和bytes 做了明确区分， str 就是unicode格式的字符， bytes就是单纯二进制啦。

六：文件存储读取过程中的编码问题

　　对于文本编辑器word等软件，当我们在这些软件上编辑文字的时候，无论是什么语言的文字或符号，计算机都是无法识别的。
那么在保存之前数据是通过什么形式存在内存的呢？
是unicode数据，为什么要存unicode数据，这是因为无论世界上的任何字符它都有唯一编码对应，兼容性是最好的。
当我们保存了存到磁盘上的数据又是什么呢？
是通过某种编码方式编码的bytes字节串。比如utf8-－－一种可变长编码，很好的节省了空间；还可以是gbk等编码方式。
在我们的文本编辑器软件都有默认的保存文件的编码方式，比如utf-8，gbk等。当我们保存的时候，这些编辑软件已经"默默地"做了编码工作。
那当我们再打开这个文件时，软件又默默地给我们做了解码的工作，将数据再解码成unicode,然后就可以呈现明文给用户了！
所以，unicode是离用户更近的数据，bytes是离计算机更近的数据。

七：编码与程序运行的关系

编写python代码一般会用到pycharm ,sublime等软件，而代码文件的创建，保存，执行等过程就伴随着编码解码流程，使用pycharm创建的hello.py文件，当我们保存的时候，文件就以pycharm默认的编码方式保存到磁盘，关闭文件再打开，pycharm就会以默认的编码方式对该文件打开后读到的内容就行解码，转成unicode到内存我们就看到了我们的明文；

而如果点开运行按钮或者在命令行运行该文件时候，python解释器就会被调用，打开文件，然后将存储在磁盘上的bytes数据解码成unicode数据，这个过程和编译器是一样的，不同的是解释器将会把这些unicode数据翻译成c代码再转成二进制的数据流，最后通过控制操作系统调用cpu来执行这些二进制数据，整个过程才算结束，

python2.x默认的是ASCII码，python3.x默认的是utf-8，可以通过下面的方式查询：

import sys
print(sys.getdefaultencoding())

八，字符编码转换总结

python2.x

　　　　内存中字符默认编码是ASCII，默认文件编码也是ASCII

　　　　当声明了文件头的编码后，字符串的编码就按照文件编码来，总之，文件编码是什么，那么python2.x的str就是什么

　　　　python2.x的unicode是一个单独的类型，按u"编码"来表示

　　　　python2.x  str==bytes，bytes直接是按照字符编码存成2进制格式在内存里

python3.x

　　　　字符串都是unicode

　　　　文件编码都默认是utf-8，读到内存会被python解释器自动转成unicode

　　　　bytes和str做了明确的区分

　　　　所有的unicode字符编码后都会编程bytes格式

九：print语句和print函数的区别

print语句

在python2.x中，print语句最简单的使用形式是

print hello world!

这相当于执行了

sys.stdout.write(‘’。join(map(str,[hello world!]))+'\n')

如果以逗号为分隔符，传递额外的参数，这些参数会被传递到str()函数，最终打印的时候，每个参数之间会空一行。

从2.0版本开始，python引入了print>>的语法。作用是重定向print语句最终输出的字符串的文件

例如：

print>>output

相当于

output.write(str(hello)+'\n')

print函数

如果用python来实现print的函数，他的函数定义应该是这样的

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

import sys   def print(*objects, sep=None, end=None, file=None, flush=False):     """A Python translation of the C code for builtins.print().     """     if sep is None:         sep = ' '     if end is None:         end = '\n'     if file is None:         file = sys.stdout     file.write(sep.join(map(str, objects)) + end)     if flush:         file.flush()   函数定义

　　从上面的代码我们可以发现，python3.x的print 函数实现了print语句的所有特性。