Python編碼規范擺脫Python編碼噩夢

Posted on by

博客原文：http://python.iswbm.com/en/latest/c01/c01_44.html

Github：https://github.com/iswbm/PythonCodingTime

Python 中編碼問題，一直是很多 Python 開發者的噩夢，盡管你是工作多年的 Python 開發者，也肯定會經常遇到令人神煩的編碼問題，好不容易花瞭半天搞明白瞭。

一段時間後，又全都忘光光瞭，一臉懵逼的你又開始你找各種博客、帖子，從頭搞清楚什麼是編碼？什麼是 unicode？它和 ASCII 有什麼區別？為什麼 decode encode 老是報錯？python2 裡和 python3 的字符串類型怎麼都不一樣，怎麼對應起來？如何檢測編碼格式？

反反復復，這個過程真是太痛苦瞭。

今天我把大傢在 Python 上會遇到的一些編碼問題都講清楚瞭，以後你可以不用再 Google，收藏這篇文章就行。

1. Python 3 中 str 與 bytes

在 Python3中，字符串有兩種類型 ，str 和 bytes。

今天就來說一說這二者的區別：

unicode string（str 類型）：以 Unicode code points 形式存儲，人類認識的形式

byte string（bytes 類型）：以 byte 形式存儲，機器認識的形式

在 Python 3 中你定義的所有字符串，都是 unicode string類型，使用 type 和 isinstance 可以判別

# python3

>>> str_obj = "你好"
>>> 
>>> type(str_obj)
<class 'str'>
>>> 
>>> isinstance("你好", str)
True
>>> 
>>> isinstance("你好", bytes)
False
>>>

而 bytes 是一個二進制序列對象，你隻要你在定義字符串時前面加一個 b，就表示你要定義一個 bytes 類型的字符串對象。

# python3
>>> byte_obj = b"Hello World!"
>>> type(byte_obj)
<class 'bytes'>
>>> 
>>> isinstance(byte_obj, str)
False
>>> 
>>> isinstance(byte_obj, bytes)
True
>>>

但是在定義中文字符串時，你就不能直接在前面加 b 瞭，而應該使用 encode 轉一下。

>>> byte_obj=b"你好"
  File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.
>>> 
>>> str_obj="你好"
>>> 
>>> str_obj.encode("utf-8")
b'\xe4\xbd\xa0\xe5\xa5\xbd'
>>>

2. Python 2 中 str 與 unicode

而在 Python2 中，字符串的類型又與 Python3 不一樣，需要仔細區分。

在 Python2 裡，字符串也隻有兩種類型，unicode 和 str 。

隻有 unicode object 和 非unicode object（其實應該叫 str object） 的區別：

unicode string（unicode類型）：以 Unicode code points 形式存儲，人類認識的形式byte string（str 類型）：以 byte 形式存儲，機器認識的形式

當我們直接使用雙引號或單引號包含字符的方式來定義字符串時，就是 str 字符串對象，比如這樣

# python2

>>> str_obj="你好"
>>>
>>> type(str_obj)
<type 'str'>
>>>
>>> str_obj
'\xe4\xbd\xa0\xe5\xa5\xbd'
>>>
>>> isinstance(str_obj, bytes)
True
>>> isinstance(str_obj, str)
True
>>> isinstance(str_obj, unicode)
False
>>>
>>> str is bytes
True

而當我們在雙引號或單引號前面加個 u，就表明我們定義的是 unicode 字符串對象，比如這樣

# python2

>>> unicode_obj = u"你好"
>>>
>>> unicode_obj
u'\u4f60\u597d'
>>>
>>> type(unicode_obj)
<type 'unicode'>
>>>
>>> isinstance(unicode_obj, bytes)
False
>>> isinstance(unicode_obj, str)
False
>>>
>>> isinstance(unicode_obj, unicode)
True

3. 如何檢測對象的編碼

所有的字符，在 unicode 字符集中都有對應的編碼值（英文叫做：code point）

而把這些編碼值按照一定的規則保存成二進制字節碼，就是我們說的編碼方式，常見的有：UTF-8，GB2312 等。

也就是說，當我們要將內存中的字符串持久化到硬盤中的時候，都要指定編碼方法，而反過來，讀取的時候，也要指定正確的編碼方法（這個過程叫解碼），不然會出現亂碼。

那問題就來瞭，當我們知道瞭其對應的編碼方法，我們就可以正常解碼，但並不是所有時候我們都能知道應該用什麼編碼方式去解碼？

這時候就要介紹到一個 python 的庫 – chardet ，使用它之前 需要先安裝

python3 -m pip install chardet

chardet 有一個 detect 方法，可以 預測其其編碼格式

>>> import chardet
>>> chardet.detect('微信公眾號：Python編程時光'.encode('gbk'))
{'encoding': 'GB2312', 'confidence': 0.99, 'language': 'Chinese'}

為什麼說是預測呢，通過上面的輸出來看，你會看到有一個 confidence 字段，其表示預測的可信度，或者說成功率。

但是使用它時，若你的字符數較少，就有可能 “誤診”），比如隻有 中文 兩個字，就像下面這樣，我們是 使用 gbk 編碼的，使用 chardet 卻識別成 KOI8-R 編碼。

>>> str_obj = "中文"
>>> byte_obj = bytes(a, encoding='gbk')  # 先得到一個 gbk 編碼的 bytes
>>>
>>> chardet.detect(byte_obj)
{'encoding': 'KOI8-R', 'confidence': 0.682639754276994, 'language': 'Russian'}
>>> 
>>> str_obj2 = str(byte_obj, encoding='KOI8-R')
>>> str_obj2
'жпнд'

所以為瞭編碼診斷的準確，要盡量使用足夠多的字符。

chardet 支持多國的語言，從官方文檔中可以看到支持如下這些語言(https://chardet.readthedocs.io/en/latest/supported-encodings.html)

4. 編碼與解碼的區別

編碼和解碼，其實就是 str 與 bytes 的相互轉化的過程（Python 2 已經遠去，這裡以及後面都隻用 Python 3 舉例）

編碼：encode 方法，把字符串對象轉化為二進制字節序列

解碼：decode 方法，把二進制字節序列轉化為字符串對象

那麼假如我們真知道瞭其編碼格式，如何來轉成 unicode 呢？

有兩種方法

第一種是，直接使用 decode 方法

>>> byte_obj.decode('gbk')
'中文'
>>>

第二種是，使用 str 類來轉

>>> str_obj = str(byte_obj, encoding='gbk')
>>> str_obj
'中文'
>>>

5. 如何設置文件編碼

在 Python 2 中，默認使用的是 ASCII 編碼來讀取的，因此，我們在使用 Python 2 的時候，如果你的 python 文件裡有中文，運行是會報錯的。

SyntaxError: Non-ASCII character '\xe4' in file demo.py

原因就是 ASCII 編碼表太小，無法解釋中文。

而在 Python 3 中，默認使用的是 uft-8 來讀取，所以省瞭不少的事。

對於這個問題，通常解決方法有兩種：

第一種方法

在 python2 中，可以使用在頭部指定

可以這樣寫，雖然很好看

# -*- coding: utf-8 -*-

但這樣寫太麻煩瞭，我通常使用下面兩種寫法

# coding:utf-8
# coding=utf-8

第二種方法

import sys 

reload(sys) 
sys.setdefaultencoding('utf-8')

這裡在調用sys.setdefaultencoding(‘utf-8′) 設置默認的解碼方式之前，執行瞭reload(sys)，這是必須的，因為python在加載完sys之後，會刪除 sys.setdefaultencoding 這個方法，我們需要重新載入sys，才能調用 sys.setdefaultencoding 這個方法。

以上就是Python編碼技巧擺脫Python編碼噩夢的詳細內容，更多關於Python編碼的資料請關註WalkonNet其它相關文章！

推薦閱讀：