不想再被鄙視?那就看進來! 一文搞懂 Python 2 字元編碼
點擊上方
「
Python開發
」,選擇「置頂公眾號」
關鍵時刻,第一時間送達!
程序員都自視清高,覺得自己是創造者,經常鄙視不太懂技術的產品或者QA。可悲的是,程序員之間也相互鄙視,
程序員的鄙視鏈流傳甚廣
,作為一個Python程序員,自然最關心的是下面這幅圖啦
我們項目組一值使用Python2.7,雖然我們也知道Python3的諸多好處,也曾經蠢蠢欲動過,但由於各種歷史原因,以及業務的壓力,我們只可能繼續使用Python2.7。更悲哀的是,我們組不是那麼international,所以代碼中還是涉及到大量的中文,因此偶爾也會遇到亂碼以及UnicodeError,於是生活在了鄙視鏈的末端。
因此,本文的目標是解釋清楚 python2.7 中unicode、str的編解碼關係,力求在鄙視鏈中前進一步。
注意
:本文實驗主要基於win7,Python2.7;以及Linux ,Python2.7。除非特殊說明,所有的命令都是在終端中互動式輸入;如果沒有強調平台,那麼就是window上的結果。下面是一些默認的環境信息(其重要性後文會介紹)windows
>>>
import
sys
,
locale
>>>
sys
.
getdefaultencoding
()
"ascii"
>>>
locale
.
getdefaultlocale
()
(
"zh_CN"
,
"cp936"
)
>>>
sys
.
stdin
.
encoding
"cp936"
>>>
sys
.
stdout
.
encoding
"cp936"
>>>
sys
.
getfilesystemencoding
()
"mbcs"
注意,上面
CP936是GBK的別名
,在https://docs.python.org/2/library/codecs.html#standard-encodings 可以查看。Linux
>>>
import
sys
,
locale
>>>
sys
.
getdefaultencoding
()
"ascii"
>>>
locale
.
getdefaultlocale
()
(
"zh_CN"
,
"UTF-8"
)
>>>
sys
.
stdin
.
encoding
"UTF-8"
>>>
sys
.
stdout
.
encoding
"UTF-8"
>>>
sys
.
getfilesystemencoding
()
"UTF-8"
從字元編碼說起
首先來說一說gbk gb2312 unicode utf-8這些術語,這些術語與語言無關。
計算機的世界只有0和1,因此任何字元(也就是實際的文字元號)也是由01串組成。計算機為了運算方便,都是8個bit組成一個位元組(Byte),字元表達的最小單位就是位元組,即一個字元佔用一個或者多個位元組。字元編碼(
character encodin
g)就是字集碼,編碼就是將字符集中的字元映射為一個唯一二進位的過程。計算機發源於美國,使用的是英文字母(字元),所有26個字母的大小寫加上數字0到10,加上符號和控制字元,總數也不多,用一個位元組(8個bit)就能表示所有的字元,這就是ANSI的「Ascii」編碼(American Standard Code for Information Interchange,美國信息互換標準代碼)。比如,小寫字母『a』的ascii 碼是01100001,換算成十進位就是97,十六進位就是0x61。計算機中,一般都是用十六進位來描述字元編碼。
但是當計算機傳到中國的時候,ASCII編碼就行不通了,漢字這麼多,一個位元組肯定表示不下啊,於是有了GB 2312(中國國家標準簡體中文字符集)。GB2312使用兩個位元組來對一個字元進行編碼,其中前面的一個位元組(稱之為高位元組)從0xA1用到 0xF7,後面一個位元組(低位元組)從0xA1到0xFE,GB2312能表示幾千個漢字,而且與asill嗎也是兼容的。
但後來發現,GB2312還是不夠用,於是進行擴展,產生了GBK(即漢字內碼擴展規範), GBK同Gb2312一樣,兩個位元組表示一個字元,但區別在於,放寬了對低位元組的要求,因此能表示的範圍擴大到了20000多。後來,為了容納少數名族,以及其他漢字國家的文字,出現了GB13080。GB13080是兼容GBK與GB2312的,能容納更多的字元,與GBK與GB2312不同的是,GB18030採用單位元組、雙位元組和四位元組三種方式對字元編碼
因此,就我們關心的漢字而言,三種編碼方式的表示範圍是:
GB18030 》 GBK 》 GB2312
即
GBK是GB2312的超集,GB1803又是GBK的超集
。後面也會看到,一個漢字可以用GBK表示,但不一定能被GB2312所表示當然,世界上還有更多的語言與文字,每種文字都有自己的一套編碼規則,這樣一旦跨國就會出現亂碼,亟待一個全球統一的解決辦法。這個時候ISO(國際標準化組織)出馬了,發明了」Universal Multiple-Octet Coded Character Set」,簡稱 UCS, 俗稱 「unicode」。目標很簡單:廢了所有的地區性編碼方案,重新搞一個包括了地球上所有文化、所有字母和符號 的編碼!
unicode每種語言中的每個字元設定了統一併且唯一的二進位編碼,以滿足跨語言、跨平台進行文本轉換、處理的要求。unicode編碼一定以u開頭。
但是,unicode只是一個編碼規範,是所有字元對應二進位的集合,而不是具體的編碼規則。或者說,
unicode是表現形式,而不是存儲形式,就是說沒用定義每個字元是如何以二進位的形式存儲的
。這個就跟GBK這些不一樣,GBK是表裡如下,表現形式即存儲形式。比如漢字「嚴」的unicode編碼是u4e25,對應的二進位是1001110 00100101,但是當其經過網路傳輸或者文件存儲時,是沒法知道怎麼解析這些二進位的,容易和其他位元組混在一起。那麼怎麼存儲unicode呢,於是出現了UTF(UCS Transfer Format),這個是具體的編碼規則,即UTF的表現形式與存儲格式是一樣的。
因此,可以說,
GBK和UTF-8是同一個層面的東西,跟unicode是另一個層面的東西,unicode飄在空中,如果要落地,需要轉換成utf-8或者GBK
。只不過,轉換成Utf-8,大家都能懂,更懂用,而轉換成GBK,只有中國人才看得懂UTF也有不同的實現,如UTF-8, UTF-16, 這裡以UTF-8為例進行講解(下面一小節引用了阮一峰的文章)。
unicode與utf-8
UTF-8最大的一個特點,就是它是一種變長的編碼方式。它可以使用1~4個位元組表示一個符號,根據不同的符號而變化位元組長度。UTF-8的編碼規則很簡單,只有二條:
1)對於單位元組的符號,位元組的第一位設為0,後面7位為這個符號的unicode碼。因此對於英語字母,UTF-8編碼和ASCII碼是相同的。
2)對於n位元組的符號(n>1),第一個位元組的前n位都設為1,第n+1位設為0,後面位元組的前兩位一律設為10。剩下的沒有提及的二進位位,全部為這個符號的unicode碼。
下表總結了編碼規則,字母x表示可用編碼的位。
Unicode
符號範圍|
UTF
-
8
編碼方式(
十六進位)
|
(二進位)----------------------+---------------------------------------------
0000
0000
-
0000
007F
|
0xxxxxxx
0000
0080
-
0000
07FF
|
110xxxxx
10xxxxxx
0000
0800
-
0000
FFFF
|
1110xxxx
10xxxxxx
10xxxxxx
0001
0000
-
0010
FFFF
|
11110xxx
10xxxxxx
10xxxxxx
10xxxxxx
以漢字「嚴」為例,演示如何實現UTF-8編碼。
已知「嚴」的unicode是4E25(100111000100101),根據上表,可以發現4E25處在第三行的範圍內(0000 0800-0000 FFFF),因此「嚴」的UTF-8編碼需要三個位元組,即格式是「1110xxxx 10xxxxxx 10xxxxxx」。然後,從「嚴」的最後一個二進位位開始,依次從後向前填入格式中的x,多出的位補0。這樣就得到了,「嚴」的UTF-8編碼是「11100100 10111000 10100101」,轉換成十六進位就是E4B8A5。
當編解碼遇上Python2.x
下面使用Python語言來驗證上面的理論。在這一章節中,當提到unicode,一般是指unicode type,即Python中的類型;也會提到unicode編碼、unicode函數,請大家注意區別。
另外,對於編碼,也有兩種意思。第一個是名字,指的是字元的二進位表示,如unicode編碼、gbk編碼。第二個是動詞,指的是從字元到二進位的映射過程。不過後文中,編碼作為動詞,狹義理解為從unicode類型轉換成str類型的過程,解碼則是相反的過程。
另外強調的是,unicode類型一定是unicode編碼,而str類型可能是gbk、ascii或者utf-8編碼。
unicode 與 str 區別
在python2.7中,有兩種「字元串」類型,分別是str 與 unicode,他們有同一個基類basestring。str是plain string,其實應該稱之為
位元組串
,因為是每一個位元組換一個單位長度。而unicode就是unicode string,這才是真正的字元串
,一個字元(可能多個位元組)算一個單位長度。python2.7中,unicode類型需要在文本之間加u表示。
>>>
us
=
u
"嚴"
>>>
type
(
us
),
len
(
us
)
<
type
"unicode"
>
1
>>>
s
=
"嚴"
>>>
type
(
s
),
len
(
s
)
<
type
"str"
>
2
>>>
從上可以看到,第一,us、s的類型是不一樣的;其二,同一個漢字,不同的類型其長度也是不一樣的,對於unicode類型的實例,其長度一定是字元的個數,而對於str類型的實例,其長度是字元對應的位元組數目。這裡強調一下,s(s = 『嚴』)的長度在不同的環境下是不一樣的!後文會解釋
__str__ __repr__的區別
這是python中兩個magic method,很容易讓新手迷糊,因為很多時候,二者的實現是一樣的,但是這兩個函數是用在不同的地方
_str__, 主要是用於展示,str(obj)或者print obj的時候調用,返回值一定是一個str 對象
__repr__, 是被repr(obj), 或者在終端直接打obj的時候調用
>>>
us
=
u
"嚴"
>>>
us
u
"嚴"
>>>
us
嚴
可以看到,不使用print返回的是一個更能反映對象本質的結果,即us是一個unicode對象(最前面的u表示,以及unicode編碼是用的u),且「嚴」的unicode編碼確實是4E25。而print調用可us.__str__,等價於print str(us),使得結果對用戶更友好。那麼unicode.__str__是怎麼轉換成str的呢,答案會在後面揭曉
unicode str utf-8關係
前面已經提到,unicode只是編碼規範(只是字元與二進位的映射集合),而utf-8是具體的編碼規則(不僅包含字元與二進位的映射集合,而且映射後的二進位是可以用於存儲和傳輸的),即utf-8負責把unicode轉換成可存儲和傳輸的二進位字元串即str類型,我們稱這個轉換過程為編碼。而從str類型到unicode類型的過程,我們稱之為解碼。
Python中使用decode()和encode()來進行解碼和編碼,以unicode類型作為中間類型。如下圖所示
decode
encode
str
--------->
unicode
--------->
str
即str類型調用decode方法轉換成unicode類型,unicode類型調用encode方法轉換成str類型
。for example
>>>
us
=
u
"嚴"
>>>
ss
=
us
.
encode
(
"utf-8"
)
>>>
ss
"??¥"
>>>
type
(
ss
)
<
type
"str"
>
>>>
ss
.
decode
(
"utf-8"
)
==
us
True
從上可以看出encode與decode兩個函數的作用,也可以看出』嚴』的utf8編碼是E4B8A5。
就是說我們使用unicode.encode將unicode類型轉換成了str類型,在上面也提到unicode.__str__也是將unicode類型轉換成str類型。二者有什麼卻比呢
unicode.encode 與 unicode.__str__的區別
首先看看文檔
str
.
encode
([
encoding
[,
errors
]])
Return
an encoded version of the string
.
Default encoding
is
the current default string
encoding
.
object
.
__str__
(
self
)
Called by the str
()
built
-
in
function
and
by the print
statement to compute
the
「
informal
」
string
representation of an object
.
注意:str.encode 這裡的str是basestring,是str類型與unicode類型的基類
可以看到encode方法是有可選的參數:encoding 和 errors,在上面的例子中encoding即為utf-8;而__str__是沒有參數的,我們可以猜想,對於unicode類型,__str__函數一定也是使用了某種encoding來對unicode進行編碼。
首先不禁要問,如果encode方法沒有帶入參數,是什麼樣子的:
>>>
us
.
encode
()
Traceback
(
most recent call
last
)
:
File
"<stdin>"
,
line
1
,
in
<
module
>
UnicodeEncodeError
:
"ascii"
codec
can
"t encode character u"
u4e25
"
in
position
0
:
ordinal
not
in
range
(
128
)
不難看出,默認使用的就是ascii碼來對unicode就行編碼,為什麼是ascii碼,其實就是
系統默認
編碼(sys.getdefaultencoding的返回值)。ascii碼顯然無法表示漢字,於是拋出了異常。而使用utf-8編碼的時候,由於utf能夠表示這個漢字,所以沒報錯。如果直接列印ss(us.encode(『utf-8』)的返回值)會怎麼樣
>>>
ss
涓
結果略有些奇怪,us.__str__(即直接列印us)的結果不一樣,那麼試試encoding = gbk呢?
>>>
us
.
encode
(
"gbk"
)
嚴
U got it! 事實上也是如此,python會採用
終端默認
的編碼(用locale.getdefaultlocale()查看,windows是為gbk)將unicode編碼成str類型。在Linux(終端編碼為utf-8),結果如下:
>>>
us
=
u
"嚴"
>>>
us
.
encode
(
"utf-8"
)
嚴
>>>
us
.
encode
(
"gbk"
)
??
>>>
us
嚴
>>>
注意上面的亂碼!
unicode gbk之間的轉換
在上上小節,介紹了unicode可以通過utf-8編碼(encoding = utf-8),轉換成utf-8表示的str,在上一節也可以看出unicode也可以通過gbk編碼(encoding=gbk),轉換成gbk表示的str。這裡有點暈,留作第一個問題,後面解釋
unicode與utf8之間的相互轉換可以計算得知,但unicode與gbk之間的相互轉換沒有計算公式,就只能靠查表了,就是說有一張映射表,有某一個漢字對應的unicode表示與gbk表示的映射關係
>>
us
=
u
"嚴"
>>>
us
u
"嚴"
>>>
us
.
encode
(
"gbk"
)
"??"
>>>
us
.
encode
(
"gb2312"
)
"??"
>>>
us
.
encode
(
"gb18030"
)
"??"
>>>
s
=
"嚴"
>>>
s
"??"
>>>
從上不難看出,嚴的unicdoe編碼是4e25,GBK編碼是d1cf,因此us通過gbk編碼就是d1cf。同樣也能看到,GB18030,GBK,GB2312是兼容的
為什麼print us.encode(『utf-8』)列印出「涓」
ss = us.encode(『utf-8』), ss是一個str類型,直接列印結果有點奇怪,一個「涓」字,那一個str類型的「涓」是哪些二進位組成的呢
>>>
s
=
"涓"
>>>
s
"??"
可以看到,str類型的「涓」,其二進位是E4B8,跟』嚴』的utf8編碼(E4B8A5)相差了一個A5,那麼就是因為A5顯示不出來,驗證如下:
>>>
"--%s--"
%
ss
--
涓?
-
因此,只是碰巧顯示了「涓」而已,事實上ss跟「」涓「」毫無關係
回答第一個問題:str類型到底是什麼
在上上小節,提到了utf-8編碼的str,與gbk編碼的str,感覺有點繞。我們知道,一個漢字『嚴』,可存儲的編碼格式可以是gbk(』xd1xcf』),也可以是utf-8(』xe4xb8xa5』),那麼當我們在終端敲入這個漢字的時候,是哪一種格式呢?取決於
終端默認編碼。
windows上(默認終端編碼為gbk):
>>>
s
=
"嚴"
>>>
s
"??"
Linux上(默認終端編碼為utf-8):
>>>
a
=
"嚴"
>>>
a
"??¥"
同樣一個漢字,同樣都是Python中的str類型,在不同的編碼格式下,其二進位是不一樣的。因此,其長度也是不一樣的,對於str類型,其長度是對應的位元組長度。
也能看出gbk編碼的位元組長度一般小於utf-8,這也是gbk繼續存在的一個原因。
這裡,
要強調一下,unicode的二進位形式是與終端的編碼格式無關的
!這個也不難理解。unicode函數
str類型到unicode類型的轉換,出了上面提到的str.decode,還有一個unicode函數。兩個函數的簽名為:
unicode
(
object
[,
encoding
[,
errors
]])
Return
the Unicode
string
version of object
using one of the following
modes
:
str
.
decode
([
encoding
[,
errors
]])
Decodes the string
using the codec registered
for
encoding
.
encoding defaults to the default string
encoding
.
二者參數相同,事實上二者是等價的,encoding的默認值也是一樣的,都是sys.getdefaultencoding()的結果。for example:
>>>
s
=
"嚴"
>>>
newuse
=
unicode
(
s
)
Traceback
(
most recent call
last
)
:
File
"<stdin>"
,
line
1
,
in
<
module
>
UnicodeDecodeError
:
"ascii"
codec
can
"t decode byte 0xd1 in position 0: ordinal not in range(128)
>>> newuse = unicode(s, "
utf
-
8
")
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
UnicodeDecodeError: "
utf8
" codec can"
t
decode
byte
0xd1
in
position
0
:
invalid continuation
byte
>>>
newuse
=
unicode
(
s
,
"gbk"
)
>>>
newuse
u
"嚴"
第一個UnicodeDecodeError,就是因為系統默認的編碼是asill嗎;第二個UnicodeDecodeError,是因為,s(str類型的實例)的編碼取決於終端默認編碼(即windows下的gbk),為了能列印出來,也就必須用gbk編碼來表示這個str,因此只能查詢gbk與unicode的映射表將s轉換成unicode類型。
為啥調用sys.setdefaultencoding
在諸多Python代碼中,都會看到這麼一段:
import sys
reload
(
sys
)
sys
.
setdefaultencoding
(
"utf-8"
)
不難猜想,setdefaultencoding跟getdefaultencoding是配對的,為啥要將系統的默認編碼設置成utf-8,其實就是解決str到unicode的轉換問題。
上一小節已經提到過,使用unicode函數將str類型轉換成unicode類型時,要考慮兩個因素:第一,str本身是什麼編碼的;第二,如果沒有傳入encoding參數,默認使用sys.getdefaultencoding。encoding參數必須與str本身的編碼對應,否則就是UnicodeDecodeError。
寫python代碼的程序都知道,我們要在py文件第一行寫上:
# -*- coding: utf-8 -*-
這句話的作用在於,告訴編輯器,該文件裡面的所有str都採用utf-8編碼,且存儲文件的時候也是使用utf-8格式。
然後文件中就會使用下面的這種代碼。
s
=
"中文"
us
=
unicode
(
s
)
使用unicode強制轉換的時候,都不習慣帶參數,為了保證encoding參數必須與str本身的編碼一致,所以使用setdefaultencoding將系統默認編碼設置為utf-8
亂碼與UnicodeError
下面介紹幾種常見的亂碼與異常UnicodeError, 大多數亂碼或者異常的原因在前面已經講過了,同時,對於一些亂碼,也試圖給出可行的解決辦法。
UnicodeError包括UnicodeDecodeError 與UnicodeEncodeError ,前者是decode也就是str轉unicode的時候出了異常,後者則是encode也就是unicode轉str的時候出了異常。
對於一個str,直接列印
例子就是上面反覆提到的例子
>>>
ss
=
us
.
encode
(
"utf-8"
)
>>>
ss
涓
如果一個str類型來自網路或者文件讀取,最好先按照對端encode的方式先decode成unicode,然後再輸出(輸出的時候會自動轉換成期望終端支持的編碼格式的str)
編碼範圍無法包括的漢字
直接上例子
>>>
newus
=
u
"囍"
>>>
newus
u
"囍"
>>>
newus
.
encode
(
"gbk"
)
"??"
>>>
newus
.
encode
(
"gb2312"
)
Traceback
(
most recent call
last
)
:
File
"<stdin>"
,
line
1
,
in
<
module
>
UnicodeEncodeError
:
"gb2312"
codec
can
"t encode character u"
u56cd
"
in
position
0
:
illegal multibyte
sequence
>>>
可以看到,『囍』字可以被gbk編碼,但是不能被gb2312編碼。
str轉unicode的時候
在上面講unicode函數的時候已經舉過例子,會爆出UnicodeDecodeError 異常。
這個錯誤比較的原因,更多來自str到unicode的默認轉換,比如一個str與一個unicode相加的時候:
>>>
a
=
"嚴"
>>>
b
=
u
"嚴"
>>>
c
=
a
+
b
Traceback
(
most recent call
last
)
:
File
"<stdin>"
,
line
1
,
in
<
module
>
UnicodeDecodeError
:
"ascii"
codec
can
"t
decode
byte
0xd1
in
position
0
:
ordinal
not
in
range
(
128
)
unicode 與 str相加,str會轉換為unicode,使用默認的unicode(strobj, encoding = sys.getdefaultencoding())
看起來向unicode編碼的字元串
某些情況下,我們列印出一個str類型,看到結果是』嚴』, 或者』u4e25』,對於這個字元串,是不是很眼熟,不錯, 『嚴『的unicode編碼就是u』u4e25』。仔細一看,只是在引號前面多了一個u(表示是一個unicode類型)。那麼當我們看到一個』u4e25』的時候,怎麼知道對應的漢字是什麼?對於已知的這種格式的str,自然可以手動加一個u,然後在終端輸出,但是如果是一個變數,需要自動轉換成unicode呢,這個時候就可以使用python-specific-encodings中的unicode_escape
>>>
s
=
"嚴"
>>>
s
"嚴"
>>>
us
=
s
.
decode
(
"unicode_escape"
)
>>>
us
u
"嚴"
十六進位格式的字元串
有時候,也會看到類似這樣的str,』??』, 看起來也很熟悉,跟漢字「嚴」的gbk編碼』xd1xcf』很像,區別在於前者多了一個『』, 這樣就無法解釋成一個十六進位了。解決辦法是python-specific-encodings中的string_escape
>>>
s
=
"??"
>>>
s
"??"
>>>
s
xd1
xcf
>>>
news
=
s
.
decode
(
"string_escape"
)
>>>
news
"??"
>>>
news
嚴
給讀者的一個問題
在這裡留下一個問題:
u"嚴" == "嚴"
返回值是True 還是 False呢?當然這裡故意省去了上下文環境,不過明確的說,在不同的編碼環境下,答案是不一樣的,原因都在上文中!
總結與建議
不管怎麼樣解釋,python2.x中的字元編碼還是一件讓人頭疼的事情,即使搞懂了,之後遇到了也可能忘記。對於這個問題,諸多建議如下:
第一:使用python3,就不用再糾結str於unicode了;但是這個很難開發者說了算;
第二:不要使用中文,注釋什麼的都用英文;理想很豐滿,現實很難,只是導致大量的拼音;
第三:對於中文字元串,不要用str表示,而是用unicode表示;現實中也不好實施,大家都不願意多寫一個u
第四:只在傳輸,或者持久化的時候對unicode進行encode,相反的過程時decode
第五:對於網路介面,約定好編解碼格式,強烈建議使用utf-8
第六:看到UnicodeXXXError不要慌,如果XXX是Encode,那麼一定是unicode轉str的時候出了問題;如果是Decode,一定是str轉unicode的時候出了問題。
參考
python codecs
python-specific-encodings
字元編碼筆記:ASCII,Unicode 和 UTF-8
玩轉Python讓人討厭的編碼問題
來源:
xybaby
www.cnblogs.com/xybaby/p/7814299.html
Python開發整理髮布,轉載請聯繫作者
獲得授權
【點擊成為Java大神】
※Git 最佳實踐:commit msg
※談談 Python 的生成器
TAG:Python開發 |