【转载】字符串编码问题

Python字符串的encode与decode研究心得乱码问题解决方法

为什么Python使用过程中会出现各式各样的乱码问题，明明是中文字符却显示成“xe4xb8xadxe6x96x87”的形式？

为什么会报错“UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)”？本文就来研究一下这个问题。

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

如何获得系统的默认编码？

#!/usr/bin/env python
#coding=utf-8
import sys
print sys.getdefaultencoding()

该段程序在英文WindowsXP上输出为：ascii

在某些IDE中，字符串的输出总是出现乱码，甚至错误，其实是由于IDE的结果输出控制台自身不能显示字符串的编码，而不是程序本身的问题。

如在UliPad中运行如下代码：

s=u"中文"
print s

会提示：UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)。这是因为UliPad在英文WindowsXP上的控制台信息输出窗口是按照ascii编码输出的（英文系统的默认编码是ascii），而上面代码中的字符串是Unicode编码的，所以输出时产生了错误。

将最后一句改为：print s.encode('gb2312')

则能正确输出“中文”两个字。

若最后一句改为：print s.encode('utf8')

则输出：xe4xb8xadxe6x96x87，这是控制台信息输出窗口按照ascii编码输出utf8编码的字符串的结果。

unicode(str,'gb2312')与str.decode('gb2312')是一样的，都是将gb2312编码的str转为unicode编码

使用str.__class__可以查看str的编码形式

原理说了半天，最后来个包治百病的吧：）

#!/usr/bin/env python 
#coding=utf-8 
s="中文" 

if isinstance(s, unicode): 
#s=u"中文" 
print s.encode('gb2312') 
else: 
#s="中文" 
print s.decode('utf-8').encode('gb2312')

编码分：

1、操作系统编码 windows 默认为 ASCII 码，Linux 默认为 UTF-8

2、python的系统编码 python 2.x 为 ASCII 码，python 3.x 为UTF-8

　　查看和设置python系统编码

import sys
reload(sys)
sys.setdefaultencoding('utf-8')  #设置系统编码
sys.getdefaultencoding()  #查看系统编码

3、文件编码

#coding:utf-8

4、IDE编码

____________________________________________________________________________________________________________________________

Python2（包括Python26、Python27等）的字符串通常包含str、unicode两种类型，通常str的字符串编码方式由源码文件的编码方式决定，目前使用的基本都是UTF-8的编码格式，所以要在py文件的头部指定编码格式：

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

在Python程序内部，通常使用的字符串为unicode编码，这样的字符串字符是一种内存编码格式，如果将这些数据存储到文件或是记录日志的时候，就需要将unicode编码的字符串转换为特定字符集的存储编码格式，比如：UTF-8、GBK等等，很多时候Python程序员都会遇到乱码问题，相信以下的一些处理方式和技巧能帮助大家解决乱码问题。

unicode到utf-8转换方法：unicodestr.encode(‘utf-8’) ，示例：

>>> u'中文测试'.encode('utf-8')
'xe4xb8xadxe6x96x87xe6xb5x8bxe8xafx95'

utf-8到unicode转换方法：utf8str.decode(‘utf-8’)，示例：

>>> '中文测试'.decode('utf-8')
u'u4e2du6587u6d4bu8bd5'

实际上，在将unicode存储到文本的过程中，还有一种存储方式，不需要将unicode转换为实际的文本存储字符集，而是将unicode的内存编码值进行存储，读取文件的时候再反向转换回来，是采用：unicode-escape的转换方式。

unicode到unicode-escape转换方法：unicodestr.encode(‘unicode-escape’)，示例：

>>> u'中文测试'.encode('unicode-escape')
'\u4e2d\u6587\u6d4b\u8bd5'

unicode-escape到unicode的转换方法：unicodeescapestr.decode(‘unicode-escape’)，示例：

>>> '\u4e2d\u6587\u6d4b\u8bd5'.decode('unicode-escape')
u'u4e2du6587u6d4bu8bd5'

对于utf-8编码的字符串，在存储的时候，通常是直接存储，而实际上也还有一种存储utf-8编码值的方法，即：string-escape。
utf-8到string-escape的转换方法：utf8str.encode(‘string-escape’)，示例：

>>> '中文测试'.encode('string-escape')
'\xe4\xb8\xad\xe6\x96\x87\xe6\xb5\x8b\xe8\xaf\x95'
>>> print '\xe4\xb8\xad\xe6\x96\x87\xe6\xb5\x8b\xe8\xaf\x95'
xe4xb8xadxe6x96x87xe6xb5x8bxe8xafx95

string-escape到utf-8的转换方法：strescapestr.decode(‘string-escape’)，示例：

>>>’\xe4\xb8\xad\xe6\x96\x87\xe6\xb5\x8b\xe8\xaf\x95'.decode('string-escape')
'xe4xb8xadxe6x96x87xe6xb5x8bxe8xafx95’
>>> print 'xe4xb8xadxe6x96x87xe6xb5x8bxe8xafx95'
中文测试

备注：
unicode同时还支持的编码转换包括：

idna
raw_unicode_escape
utf_8_sig 

utf-8、gbk等编码字符串还支持得编码转换包括：

base64
quopri
bz2
hex
unicode_internal
uu
zlib
 