【转载】python2.7中的字符编码问题

红太狼 2023-07-12 09:11 18阅读 0赞

> https://www.cnblogs.com/liaohuiqiang/p/7247393.html

### 文章目录 ###

*  1 ascii、unicode、utf8
 *   *  1.1 ascii
     *  1.2 unicode（统一码）
     *  1.3 uft8
 *  2 encoding声明
 *  3 python2.7中的str和unicode
 *  4 python2.7中的encode和decode
 *  5 修改系统默认编码
 *  6 查看文件编码
 *  7 文件读写
 *   *  7.1 open
     *  7.2 codecs open
 *  8 一般的处理要点

# 1 ascii、unicode、utf8 #

--------------------

## 1.1 ascii ##

最早的编码，只有`127`个字符，包含英文字母，数字，标点符号和一些其它符号。一个字节表示一个字符。

## 1.2 unicode（统一码） ##

一个字节不够放，全世界有各种语言的字符需要编码，于是unicode给所有的字符都设定了唯一编码。通常都是用两个字节表示一个字符（有些生僻的字要用四个字节）。所以，要理解一点：下文中提到到的`unicode`编码是双字节编码（一个字符两个字节）。

## 1.3 uft8 ##

对于`ascii`编码的那些字符，只需要`1`个字节，`unicode`给这些字符也设定`2`个字节，如果一篇文章全是英文（`ascii`字符），就浪费了很多空间（本来`1`个字节可以存储的，用了`2`个字节），所以产生了`utf8`。`utf8`是一种变长的编码方式，根据不同的符号变化字节长度，把`ascii`编码成`1`个字节，汉字通常编码成`3`个字节，一些生僻的字符编码成`4~6`个字节。

在计算机内存中，统一使用`unicode`编码。

在`python`中，建议程序过程中统一使用`unicode`编码，保存文件和读取文件时使用`utf8`（在读写磁盘文件时候用`utf8`进行相应的`decode`和`encode`）。

# 2 encoding声明 #

--------------------

`python`默认使用`ascii`编码去解释源文件。

如果源文件中出现了非`ASCII`码字符，不在开头声明`encoding`会报错。

可以声明为`utf8`，告诉解释器用`utf8`去读取文件代码，这个时候源文件有中文也不会报错。

# encoding=utf8　如果不加这一行会报错
    print '解释器用相应的encoding去解释python代码'

# 3 python2.7中的str和unicode #

--------------------

`python2.7`中的字符串一般有两种类型，`unicode`和`str`。

*  `str`为字节码，会根据某种编码把字符串转成一个个字节，这个时候字符和字节没有所谓固定的一一对应的关系。
 *  `unicode`则是用`unicode`编码的字符串，这个时候一个字符是对应两个字节的，一一对应。
 *  直接赋值字符串，类型为`str`，`str`为字节串，会按照开头的`encoding`来编码成一个个的字节。
 *  赋值的时候在字符串前面加个`u`，类型则为`unicode`，直接按照`unicode`来编码。

s1 = '字节串'
    print type(s1) #输出　<type 'str'>，按照开头的encoding来编码成相应的字节。
    print len(s1) #输出9，因为按utf8编码，一个汉字占3个字节，3个字就占9个字节。
    
    s2 = u'统一码'
    print type(s2) #输出　<type 'unicode'>，用unicode编码，2个字节1个字符。
    print len(s2) #输出3，unicode用字符个数来算长度，从这个角度上看，unicode才是真正意义上的字符串类型

来看点现实的例子，比如我们要从一个文件中找出中所有后两位是’学习’的词语，在进行判断的时候：

s = '机器学习'
    s[-2:] == '学习‘ 
    # 返回false，平时写程序可能会以为相等。
    # 这里的”学习是用开头的encoding声明解释的，我开头用的是utf8，汉字占3个字节，
    # 所以“学习”占了6个字节），而s[-2:]取的是最后两个”双字节“，所以不相同。
    
    s = u'机器学习'
    s[-2:] == u'学习’ 
    # 返回true，这也是为什么说unicode是真正意义上的字符串类型。因为使用的是unicode，\
    # ”学习“占的是两个”双字节“，一个"双字节“一个字。

对于经常处理中文字符串的人，统一用`unicode`就可以避免这个坑了。

虽然有些字符串处理函数用`str`也可以，应该是函数里面帮你处理了编码问题。

# 4 python2.7中的encode和decode #

--------------------

encode的正常使用：对unicode类型进行encode，得到字节串str类型。也即是unicode -> encode（根据指定编码） -> str。

decode的正常使用：对str类型进行decode，得到unicode类型。也即是str -> decode（根据指定编码） -> unicode。

注意：encode和decode的时候都是需要指定编码的。

因为在编码的时候要知道原来的编码是什么和按照什么新编码方式进行编码，要用到两种编码，这里默认有一个unicode，所以需要再指定一个编码方式。解码的时候也是一个道理。

这两个方法就是在unicode和str之间用指定编码进行转换。

s3 = u'统一码'.encode('utf8')
    print type(s3) # 输出　<type 'str'>
    
    s4 = '字节串'.decode('utf8')
    print type(s4) #输出　<type 'unicode'>

`encode`的不正常使用：对`str`类型进行`encode`，因为`encode`需要的是`unicode`类型，这个时候`python`会用默认的系统编码`decode`成`unicode`类型，再用你给出编码进行`encode`。（注意这里的系统编码不是开头的`encoding`，具体例子见下文第5点）

`decode`的不正常使用：对`unicode`类型进行`decode`，`python`会用默认的系统编码`encode`成`str`类型，再用你给出的编码进行`decode`。

所以改好对应的系统默认编码，就算不正常使用，也不会报错啦。不过多拐了一下路，个人不喜欢这样。

# 5 修改系统默认编码 #

--------------------

系统默认使用`ascii`编码，需要进行相应的修改。

这个编码和开头的`encoding`不同之处在于，开头的`encoding`是对于文件内容的编码。

这里的编码是一些`python方法`中默认使用的编码，比如对`str`进行`encode`的时候默认先`decode`的编码，比如文件写操作`write`的`encode`的编码（关于文件读写见下文第7点）

import sys
    reload(sys)
    sys.setdefaultencoding('utf8')
    
    s = '字节串str'
    
    s.encode('utf8')
    #等价于
    s.decode(系统编码).encode('utf8')

关于系统默认编码发挥作用的地方，来看看另一个例子。

import sys
    print sys.getdefaultencoding()  # 输出ascii
    
    s = 'u华南理工大学'
    print s[-2:] == '大学'   # 返回False，并有warning提醒
    
    reload(sys)
    sys.setdefaultencoding('utf8')
    
    print s[-2:] == '大学'  # 返回True

根据结果得知：`python`在用`==`比较时，如果第一个操作符是`unicode`而第二个不是的话，会**自动**用系统默认编码帮第二个操作符`decode`。

PS：为什么需要`reload(sys)`呢。首先，`reload`是用于重新加载之前`import`的模块。

这里需要重新加载`sys`的原因是：`python`在加载模块时候删除了`sys`中的`setdefaultencoding`方法（可能是出于安全起见），所以需要`reload`这个`sys`模块。

# 6 查看文件编码 #

import chardet
    with open(filename,'r') as f:
        data = f.read()
        return chardet.detect(data)

# 7 文件读写 #

--------------------

## 7.1 open ##

首先要记住，**读出和写入**，这两个文件的关口都是用`str`类型的，就是一个个字节。

`python`中内置的默认`open`在读取文件的时候以字节串str的形式，读出一个个字节。读取后要用正确的编码才能`decode`成正确的unicode，所以要知道原来在文件中的编码。

写文件的时候也是一个道理，用`str`类型，以字节的形式写入，这个`str`是以某种编码方式编码的，要注意用正确的编码方式编码，一般是按`utf8`编码后写文件。

如果你用`unicode`类型写入，`python`会根据系统默认编码来把`unicode`编码成str再写入文件。因为写入文件需要的是`str`，是`str`就写，不是我就把你转成`str`再写。

简单原则，尽量用`str`写入，避免使用默认编码，这样也不用在开头修改默认编码。

## 7.2 codecs open ##

python中模块`codecs`中的`open`方法可以指定一个编码。它保证了读入和写出的字节都是按照这个指定编码进行编码的。

这样在读文件的时候：会把读出的`str`按照指定编码`decode`成`unicode`。

写文件的时候：如果是`unicode`，会根据指定编码`encode`成`str`然后写入；如果是`str`，会根据系统默认编码把`str`进行`decode`得到`unicode`，再根据指定编码`encode`成`str`进行写入。

简单原则，尽量用`unicode`写入，避免使用默认编码，这样也不用在开头修改默认编码。

注意一下，对于其它方式读写文件，需要自行debugger看看编码的问题。比如我在python中读取excel的时候读出来就直接是unicode而不是str。

# 8 一般的处理要点 #

--------------------

1.  首先把源文件的默认`encoding`和系统默认编码改为`utf8`
2.  程序执行过程统一使用`unicode`类型
3.  对于读写文件（用`python`内置的默认`open`来说），得到的是`str`，对str进行相应的`encode`和`decode`就可以了。

总结一下就是：

*  设置相应的默认编码为`utf8`；
 *  读文件拿到`str`类型：`str -> decode('utf8') -> unicode`
 *  程序处理：用`unicode`
 *  写文件：`unicode -> encode('utf8') -> str`，用`str`类型写入文件
 *  当然前提是文件都是`utf8`格式的啦，包括源文件和读写的数据文件。

另外想说一下：

对于写程序的过程中统一使用`unicode`类型这一点只是一个建议，因为统一`unicode`可以在处理字符串的时候减少麻烦。

觉得全部弄成`unicode`麻烦的，可以考虑平时统一用`utf8`编码的`str`，有些问题需要用`unicode`的再转为`unicode`，遇到编码问题时可以思考是不是没有统一用`unicode`的问题（本文开头就给出了一个需要统一用`unicode`的情况）