Python之string編碼問題

一、前言

使用過Python的同學們一定被她的各種編碼問題纏繞過,因為平常維護的新老項目跨越 2、3兩個版本,編碼問題有時更是讓我苦不堪言,遂下定決心,一定要幹掉他,吃透他,遂記錄此篇博文以分享記錄!

什麼是編碼?

通常我們所說的編碼一般為簡稱, 其實在平常的應用過程,編碼一般包括 編碼和解碼,如在編碼前指定 字符集UTF-8, 那麼解碼時也必須為UTF-8,否則會出現所謂的 亂碼

什麼是字符集

字符集類似於中文,英文,是一個規則集合的抽象概念,其規定瞭某個文字對應的二進制數字存放方式,即為編碼過程,或者二進制數字對應的文字,即為解碼過程!

字符集包括如下:

1.字庫表

  • 字庫表是一個相當於所有可讀或者可顯示字符的數據庫,字庫表決定瞭整個字符集能夠展現表示的所有字符的范圍

2.編碼字符集(通常簡稱 字符集)

  • 編碼字符集,用一個編碼值code point(二進制代碼)來表示一個字符(即該字符在字庫表中的位置)

3.字符編碼

  • 字符編碼,是編碼字符集和實際存儲數值之間的轉換關系;
  • 字符,是根據字符編碼方案轉換為一個二進制數值存儲在計算機中的

一個范例

下面以一個實例解釋下編解碼的過程

  • 字符編碼: UTF-8
  • 字符串:中國
  • Python版本:2.7

說明:

1.編碼轉換方式

str_unicode為中間碼。

即對應編碼字符集 在字庫表中有唯一id代表一個字符, 理論上 unicode即可以映射表示所有字符,但是為瞭壓縮存儲的位數,發展出瞭 utf-8、utf-16等字符編碼,即在實際存儲和字符展現之間又建立瞭一層映射,這層映射表示瞭 utf-8 到 unicode的方式,然後unicode又根據字庫表展現改字符。

unicode有 utf-8及utf-16等多種方式的字符編碼方案,GBK字符集 則隻有一種字符編碼 EUC-CN, 而對於Ascii碼來說,本身即是編碼字符集又是字符編碼,

2.以一次Python代碼執行為例, 解釋 字庫表編碼字符集(字符集) 字符編碼的關系:

utf-8編碼如何規定的?

單字節的字符,字節的第一位設為0,對於英語文本,UTF-8碼隻占用一個字節,和ASCII碼完全相同;

n個字節的字符(n>1),第一個字節的前n位設為1,第n+1位設為0,後面字節的前兩位都設為10,這n個字節的其餘空位填充該字符unicode碼,高位用0補足。

UTF-8編碼方式

———————-
0xxxxxxx
110xxxxx 10xxxxxx
1110xxxx 10xxxxxx 10xxxxxx
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

utf-8和unicode的關系

  • utf 解釋為誒 Unicode TransferFormat 即 轉換Unicode。
  • unicode是一種字符編碼,規定瞭每個字符到數字的映射關系, 這個數字怎麼存儲它沒有規定. 而如何存儲? 幾個字節表示? 這個是utf8等編碼方式來規定的。

有瞭unicode為什麼還需要utf-8呢?

  • 首先 unicode 規定瞭所有字符的二進制編碼,並沒有規定如何存儲
  • 如果我們以統一4個字節來存儲所有unicode的編碼字符,那就會在表示一個字節編碼的ascii部分嚴重浪費存儲性能
  • 另外因為統一4字節處理,那如果一個文件分片或者是一份缺失文件,那麼此時該如何來判斷我們從頭讀取的 4字節是一個完整的字符呢?這就會造成很大的分析復雜度,可以說 無法分析, 這也是 utf-8等編碼的優點即utf-8錯誤編碼不會向後擴散
  • 綜合考慮 utf-8 是一種unicode 標準的存儲方案,改方案規定瞭如何存儲unicode字符,即看上面的utf-8的規定,大白話講就是 utf-8 可變長編碼規定瞭 字符的起始位置,且極大可能節省存儲空間,總而言之很簡單就是在無序中找到秩序

二、影響Python執行的編碼方案

下列四種影響Python執行的編碼方案,具體實例以最後所列案例為準

1.Python解釋器的默認編碼

獲取解釋器默認編碼,Python3對應的默認編碼為 utf-8,Python2對應的默認編碼為ascii

import sys
print(sys.getdefaultencoding())

Python2設置默認編碼方式,Python3解釋器默認utf-8所以去除該種設置方式

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

解釋器編碼有什麼用?

  • 當調用 decode() 和 encode() 進行編碼轉換時候,如果未指定編碼格式,會調用解釋器默認編碼進行編碼轉換
  • 若未指定編碼方式 而有中文出現,此時會有報錯產生

2.Python源文件文件編碼

python源文件的編碼與解碼,我們寫的python程序從產生到執行的過程如下(以Pycharm為例)

依次為

編輯器 決定源代碼的編碼格式(編輯器中設置)

pycharm 會根據文件開頭的編碼聲明進行文件格式保存

此種聲明保存的文件,是utf-8編碼的

# coding: utf-8

此種聲明保存的文件,是gbk編碼的

# coding: gbk

同時也可以在setting中進行設置

解釋器按照Ascii或者聲明指定的方式解碼源代碼, 以下是 官方文檔給的解釋

Python will default to ASCII as standard encoding if no other encoding hints are given.

※: Python2中會按照編碼聲明對源代碼進行解碼,如未指定 編碼聲明 則會以 Ascii進行解碼,此時如果有中文會報錯

※:Python3默認以utf-8進行解碼

若未指定編碼聲明, 而源代碼中有中文

此時Python2 會以Ascii 來進行源代碼的'解碼';Python3 會默認以  utf-8 進行源代碼的'解碼'。    

若源文件編碼為utf-8, 而編碼聲明gbk

這種情況會出錯,因為磁盤中保存的格式時 gbk 格式的而卻以 utf-8 來進行解碼,則會出錯。

UnicodeDecodeError: 'gbk' codec can't decode bytes in position 2-3: illegal multibyte sequence

註意1:Python3將源代碼讀取到內存中的字符串編碼為 unicode, 這樣的中間碼的方式,不會出現亂碼, Python2以文件頭聲明的方式將源代碼讀取到內存中

註意2:Python2 在日常編程中一定註意 文件編碼 和 文件聲明要一致,如 文件編碼為 utf-8 則此時應該如此聲明 # coding: utf-8, 若此時用gbk 做聲明,則此時會亂碼,一編一解 要成對

結果輸出,控制臺輸出日志文件

解釋器如何知道該文件的編碼格式?

# coding: utf-8

3.操作系統的語言設置

locale 模塊獲取 操作系統編碼

import locale
print locale.getdefaultencoding()

以open()函數為例

open() 函數會調用 Python操作系統默認編碼進行 編解碼

# coding: utf-8
import sys; reload(sys); sys.setdefaultencoding('utf-8')

str = '中國'  # utf-8  bytes類型
str_unicode = str.decode()  # unicode

with open('demo.txt', 'w') as f:
	f.write(str)  # 寫入bytes類型,則此時文件編碼為 utf-8 
	f.write(str_unicode)  # 寫入 unicode,則此時會根據 sys.getdefaultencoding() 來進行文件編碼

linux 下 vim打開以 gbk方式寫入的文件會出現亂碼,因為此時會調用操作系統的編碼方式進行解碼

4.Terminal使用的編碼

終端編碼 繼承自操作系統的編碼

三、 Python中的編碼表示范例

1.utf-8表示中文你好

print("你好".encode('utf-8'))
>>> b'\xe4\xbd\xa0\xe5\xa5\xbd'

很容易看出 其中的 16進制數 e4bda0e5a5bd

2.Python中的len表示什麼

  • 對於字節流(bytes: 如utf-8字節流)來說表示字節數
  • 對於unicode則表示字符數

三、最後

使用范例

Pycharm編碼設置

  • 字符串變量級別編碼
  • 腳本級別的編碼
  • py文件級別的編碼
  • 顯示窗口的編碼

問題收集 python3 unicode字符轉中文

a = "\\u4ea7\\u54c1\\u72b6\\u6001"

# 兩種方式
print(eval(f'u"{a}"'))	
print(a.encode().decode("unicode_escape"))

即 一個字符可以是一個中文漢字、一個英文字母、一個阿拉伯數字、一個標點符號等 ↩︎

如:Unicode、ASCII

總結

以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。

推薦閱讀: