还是关于编码——decode & encode的探究

最近被py3.4中的编码折磨的不要不要的，decode & encode的使用、功能貌似在2.7—3.0有一个巨大的变化。网上查询的一些解答很多是基于2.7中的unicode功能，给出的解答是下面：

decode（解码）的作用是将其他编码的字符串转换成unicode编码，如str1.decode('gb2312')，表示将gb2312编码的字符串转换成unicode编码。

encode（编码）的作用是将unicode编码转换成其他编码的字符串，如str2.encode('gb2312')，表示将unicode编码的字符串转换成gb2312编码。


但自己实践起来完全不是那样，可以说错误百出。最基本的：decode & encode不在是”unicode→其他编码的解码、编码”过程，而是Str→bytes的解码、编码。在这里，还要对Str和bytes做本质性的深入探究
（以下资料都是网上查到的，问题很多，最主要的是不成体系，有些人这样理解，有些人那样理解，也许他们都能成熟使用py3.4编码，但对初学者就很不友好了，很多名词的定义和解释也不一致，我只能尽自己努力去整合）

<此段文字时间是2009,应该是基于py2.0>

字符串在Python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。

decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode('gb2312')，表示将gb2312编码的字符串str1转换成unicode编码。

encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode('gb2312')，表示将unicode编码的字符串str2转换成gb2312编码。

因此，转码的时候一定要先搞明白，字符串str是什么编码，然后decode成unicode，然后再encode成其他编码

代码中字符串的默认编码与代码文件本身的编码一致。

如：s='中文'

如果是在utf8的文件中，该字符串就是utf8编码，如果是在gb2312的文件中，则其编码为gb2312。这种情况下，要进行编码转换，都需要先用decode方法将其转换成unicode编码，再使用encode方法将其转换成其他编码。通常，在没有指定特定的编码方式时，都是使用的系统默认编码创建的代码文件。

如果字符串是这样定义：s=u'中文'

则该字符串的编码就被指定为unicode了，即python的内部编码，而与代码文件本身的编码无关。因此，对于这种情况做编码转换，只需要直接使用encode方法将其转换成指定编码即可。

如果一个字符串已经是unicode了，再进行解码则将出错，因此通常要对其编码方式是否为unicode进行判断：

isinstance(s, unicode) #用来判断是否为unicode

用非unicode编码形式的str来encode会报错

以上文字可以说已经完全被py3.0抛弃了，我是从3.0入手的，那么怎么办呢？ 功夫不负有心人，终于在某论坛里找到了类似问题。

1 #python 3中只有unicode str，所以把decode方法去掉了。已经是unicode的str，不用decode。如果文件内容不是unicode编码的，要先以二进制方式打开，读入比特流，再解码码。

.#python语言中有两种不同的字符串，一个用于存储文本，一个用于存储原始字节。文本字符串内部使用Unicode存储，字节字符串存储原始字节并显示ASCII。（无法显示为ASCII字符的字节，用\x##显示。）

python3中，文本型字符串类型被命名为 str，字节字符串类型被命名为 bytes。正常情况下，实例化一个字符串会得到一个str实例，如果希望得到一个bytes实例，需要在文本之前添加b字符。

全文 http://www.jianshu.com/p/4f0e65bee38b
作者：wwlovett 链接：http://www.jianshu.com/p/4f0e65bee38b 來源：简书著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

 >>> s='hello,world'

 >>> s

 'hello,world'

 >>> type(s)

 <class 'str'>

 >>> h=b'hello,world'

 >>> type(h)

 <class 'bytes'>

3.#文本总是unicode字符集，用str类型表示。二进制数据则由bytes表示。（通过socket在网络上传输数据时必须要用二进制格式）

Python不会以任何隐式的方式混用str和bytes，所以我们不能在代码中拼接字符串和字节包

当然字符串和字节，是可以被相互转换的。借用一个图来说明转换关系：

str通过encode 编码成 bytes 类型，而bytes格式的数据又可以通过decode来解码成str类型。

encode 用来对string格式个数据进行编码：

#encode 用来对str（文本字符串）格式的数据进行编码：
1 >>> s='你好'

 >>> s.encode()              #不指定目的格式，则默认'utf-8'

 b'\xe4\xbd\xa0\xe5\xa5\xbd'

 >>> s.encode('utf-8')       #验证下，果然默认和设定为'utf-8'是一致的输出格式

 b'\xe4\xbd\xa0\xe5\xa5\xbd'

decode 用来对bytes格式的数据进行解码：

 >>> s=b'\xe4\xbd\xa0\xe5\xa5\xbd'

 >>> s.decode('utf-8')    #表示把二进制字节字符串解释成 什么格式的数据（默认UTF-8）

 '你好'

数据处于网络传输或磁盘存储状态下，必须以'二进制字节字符串'（即'字节流'）形式存在，即b'\x_ _\x_ _\x_ _\x_ _'

A.在计算机内存中，统一使用Unicode编码(str)，当需要保存到硬盘或者 B. 浏览网页的时候，服务器会把动态生成的Unicode内容(str)转

需要传输(bytes)的时候，就转换为UTF-8编码。换为UTF-8(bytes)再传输到浏览器：

4#读取文件 python3:

文件总是存储字节，因此，为了使用文件中读取的文本数据，必须首先将其解码为一个文本字符串。 python3中，文本正常情况下会自动为你解码，所以打开或读取文件会得到一个文本字符串。使用的解码方式取决系统，在mac os 或者大多数linux系统中，首选编码是utf-8，但windows不一定。可以使用locale.getpreferredencoding()方法得到系统的默认解码方式。

 #Python3 把系统默认编码设置为 UTF-8

 >>> import sys

 >>> sys.getdefaultencoding()

 'utf-8'

自己找个例子验证下是否已经掌握

 >>> '深蓝'

 '深蓝'

 >>> type('深蓝')

 <class 'str'>     #随意输入的数据在python内部已经被默认为 ‘文本字符串’=str，此时的str为 unicode类无编码数据

 >>> '深蓝'.decode('utf-8')  #傻傻的试下，果然str是无法被解码的（人家已经是unicode了，还解什么？解码的目的就是变成unicode嘛），程序报错了<str无法使用decode函数功能>

 Traceback (most recent call last):

   File "<stdin>", line 1, in <module>

 AttributeError: 'str' object has no attribute 'decode'

 >>> '深蓝'.encode('utf-8')  #看看能编码否

 b'\xe6\xb7\xb1\xe8\x93\x9d'  #OK，str被顺利用utf-8规则编码为 字节字符串了（此时的数据可以被网络传输或存入硬盘了，它已处于从python出口待output状态了）

 >>> type('深蓝'.encode('utf-8'))

 <class 'bytes'>  #不放心验证下，数据确是bytes了

 >>> print('深蓝'.encode('utf-8').decode('utf-8')) #想要再次的得到数据的'文本字符串'形式，必须再次解码（decode）

 深蓝

python如何判断对象是否为字符串或者其他类型？

 >>> a=10

 >>> b='中华'

 >>> print(isinstance(a,int))

 True

 >>> print(isinstance(b,str))

 True

 >>> print(isinstance(a,str))

 False

 >>> print(isinstance(b,float))

 False
>>> print(isinstance('中华',str))
True

避免乱码，坚持几点：

1、坚持使用UTF-8编码对str和bytes进行转换。

2、源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。

3、当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上这两行：

 #!/usr/bin/env python3       < 告诉Linux/OS X系统，这是一个Python可执行程序，Windows系统会忽略 >

 # -*- coding: utf-8 -*-　　　 < 告诉Python解释器，按照UTF-8编码读取源代码 >

4、确保文本编辑器正在使用<UTF-8 without BOM>编码

　　由于一直在看廖雪峰老师的教程学习py，但他讲的稍显简略，属于提纲挈领的体会型教程。而我个人学东西特喜欢刨根问底，而且喜欢发散思维，喜欢以点带面，但缺点也很明显——对于暂时搞不懂的难点，很难跨过去继续学习后面内容，导致遇到问题就卡壳。
例如遇到了py编码问题，我就想深入的把编码类问题一次性全部弄通，虽然有朋友告诫我，初学应该抓大放小、注重体验，有些难点可以后补或者学完再思考，这次编码问题我困惑了足足2天，起码10个小时。后来我知道了是由于py2.0-3.0阶段的版本大更新问题导致语法结构的巨变，使得我浪费了太多时间。以后不会了，决定采用朋友的告诫，先弄通一个流程，建立起基本框架再补全各类问题。

PS：编码问题太痛苦了，好了好了，赶紧翻篇~~