基本概念
字符：表示数据和信息的字母、数字或其他符号。在电子计算机中，每一个字符与一个二进制编码相对应。
字符的标识（码位）：是0-1114111的数字，在Unicode标准中以4-6个十六进制数字表示，而且加前缀“U+”。例如，字母A的码位是U+0041,欧元符号的码位是U+20AC.
字符的具体表述取决于所用的编码。编码是在码位和字节序列之间转换时使用的算法。在UTF-8编码中，A(U+0041)的码位编码成单个字节x41，而在UTF-16LE编码中编码成两个字节x41x00。欧元符号(U+20AC)在UFT-8编码中是三个字节xe2x82xac，而在UTF-16LE编码中编码成两个字节xacx20。
编码：把码位转换成字节序列（通俗来说：把字符串转换成用于存储或传输的字节序列，python中是.encode()）
解码：把字节序列转换成码位（通俗来说：把字节序列转换成人类可读的文本字符串,python中是.decode()）
>>> s = 'café' >>> len(s) # Unicode字符数量 4 >>> b = s.encode('utf8') # 编码为bytes >>> b b'cafxc3xa9' >>> len(b) # 字节数 5 >>> b.decode('utf8') # 解码 'café
字节概要
新的二进制序列类型在很多方面与 Python 2 的 str 类型不同。首先要知道，Python 内置了两种基本的二进制序列类型：Python 3 引入的不可变bytes 类型和 Python 2.6 添加的可变 bytearray 类型。（Python 2.6 也引入了 bytes 类型，但那只不过是 str 类型的别名，与 Python 3 的bytes 类型不同。）
bytes 或 bytearray 对象的各个元素是介于 0~255（含）之间的整数，而不像 Python 2 的 str 对象那样是单个的字符。然而，二进制序列的切片始终是同一类型的二进制序列，包括长度为 1 的切片，如示例：
>>> cafe = bytes('café', encoding='utf_8') >>> cafe b'cafxc3xa9' >>> cafe[0] >>> cafe[:1] b'c' >>> cafe_arr = bytearray(cafe) >>> cafe_arr bytearray(b'cafxc3xa9') >>> cafe_arr[-1:] bytearray(b'xa9')
二进制序列有个类方法是 str 没有的，名为 fromhex，它的作用是解析十六进制数字对（数字对之间的空格是可选的），构建二进制序列：
>>> bytes.fromhex('31 4B CE A9') b'1Kxcexa9'
python基本编码解码器
python自带了超过100种编码解码器，用于在文本和字节中转换。每个编码解码器有一个名称，如'utf-8'，通常有几个别名如'utf-8'别名有'utf8'、''utf_8、'U8'。
ISO-8859-1(latin1):该编码是单字节编码，向下兼容ASCII，其编码范围是0x00-0xFF，0x00-0x7F之间完全和ASCII一致，0x80-0x9F之间是控制字符，0xA0-0xFF之间是文字符号。
cp1252：ISO-8859-1的超集，添加了一些有用的符号。
cp437：IBM PC最初的字符集，包含框图符号，于ISO-8859-1不兼容。
gb2312：简体中文陈旧标准，亚洲语言使用较广泛的多字节编码。
utf-8：目前Web中最常见的8位编码；与ASCII兼容。
utf-16le：UTF-16的16位编码方案的一种形式；所有UTF-16支持转义序列表示超过U+FFFF的码位。
编码存在的问题
处理UnicodeError
多数非 UTF 编解码器只能处理 Unicode 字符的一小部分子集。把文本转换成字节序列时，如果目标编码中没有定义某个字符，那就会抛出UnicodeEncodeError 异常，除非把 errors 参数传给编码方法或函数，对错误进行特殊处理。
city = 'São Paulo' u8 = city.encode('utf_8') print('utf-8:', u8) #结果： utf-8: b'Sxc3xa3o Paulo' 'utf_?' 编码能处理任何字符串
u16 = city.encode('utf_16') print('utf-16:', u16) #结果： utf-16: b'xffxfeSx00xe3x00ox00 x00Px00ax00ux00lx00ox00'
iso = city.encode('iso8859_1') print('iso:', iso) #结果： iso: b'Sxe3o Paulo' 'iso8859_1' 编码也能处理字符串 'São Paulo
cpr37 = city.encode('cp437') #结果： 报错 'cp437' 无法编码 'ã'（带波形符的“a”）
cp_ig = city.encode('cp437', errors='ignore') print('cp ignore:', cp_ig) #结果： cp ignore: b'So Paulo'
cp_rp = city.encode('cp437', errors='replace') print('cp replace:', cp_rp) #结果： cp replace: b'S?o Paulo'
如上处理策略：
1.error='ignore' 处理方式悄无声息地跳过无法编码的字符；这样做通常很是不妥
2.编码时指定error='replace'，把无法编码的字符替换成'?'；数据损坏了，但是用户知道出现了问题
3.把errors参数注册额外字符串，方法是把一个名称和一个错误处理函数传递给codes.register_error函数。(参考python标准库)
处理UnicodeDecodeError
不是每个字节都包含有效的ASCALL字符，也不是每个字符序列都是有效的UTF-8或UTF16。因此，把二进制序列转换为文本时，如果假设是这两个编码中的一个，遇到无法转换的字节序列时会抛出UnicodeDecodeError。
octets = b'Montrxe9al' #iso8859_1编码 cp1252 = octets.decode('cp1252') print(cp1252) #结果：Montréal 正确解码 cp1252是iso8859_1的超集 iso = octets.decode('iso8859_7') print(iso) #结果：Montrιal 错误解码 koi8_r = octets.decode('koi8_r') print(koi8_r) #结果：MontrИal 错误解码 #utf_8 = octets.decode('utf-8') print(utf_8) #结果：异常 不是有效的utf-8字符串 new_utf_8 = octets.decode('utf-8', errors='replace') print(new_utf_8) #结果：Montr�al 官方指定的错误处理方式
处理SyntaxError
python3默认使用utf-8编码源码，如果加载的模块中包含utf-8之外的数据，而且没有声明编码，则会抛出SyntaxError异常。linux和OS X系统大都使用utf-8，因此在打开windows系统中使用cp1252编码的.py文件可能发生这种情况。
为了修正这个问题，可以在文件顶部添加一个神奇的coding注释, coding:cp1252
判断文件字节序列编码
使用命令行工具chardetect（python库Chardet提供的）
处理文本文件
处理文本的最佳实践是“Unicode 三明治”（如图下图所示）。 意思是，要尽早把输入（例如读取文件时）的字节序列解码成字符串。这种三明治中的“肉片”是程序的业务逻辑，在这里只能处理字符串对象。在其他处理过程中，一定不能编码或解码。对输出来说，则要尽量晚地把字符串编码成字节序列。多数 Web 框架都是这样做的，使用框架时很少接触字节序列。例如，在 Django 中，视图应该输出 Unicode 字符串；Django 会负责把响应编码成字节序列，而且默认使用 UTF-8 编码。
#打开一个文件cafe.txt并写入内容，w是对文件的模式操作(写操作)， encoding是对文件操作的编码 fp = open('cafe.txt', 'w', encoding='utf_8') fp_len = fp.write('café') print('fp的io信息：', fp) print('写入到文件中内容的长度：', fp_len) fp.close() #获取文件的内容 fp2 = open('cafe.txt') print('fp2的io信息：', fp2) ''' 因为和上面的写入的编码不同，所以直接以默认的编码打开，无法处理é而引发异常 ''' #print(fp2.read()) fp2.close() #解决fp2无法或许文件内容的方法指定打开的时候编码 fp3 = open('cafe.txt', encoding='utf-8') print('fp3的io信息：', fp3) print('fp3中的文件内容：', fp3.read()) fp3.close() fp4 = open('cafe.txt', 'rb') print('fp4的io信息：', fp4) print('fp4的文件内容：', fp4.read().decode('utf-8')) fp4.close() #另外一种不太可取的解决方案, errors可以设置成replace或者ignore fp5 = open('cafe.txt', 'r', errors='ignore') print('fp5的io信息：', fp5) print('fp5的文件内容：', fp5.read())
以上代码结果：
fp的io信息： <_io.TextIOWrapper name='cafe.txt' mode='w' encoding='utf_8'> 写入到文件中内容的长度： 4 fp2的io信息： <_io.TextIOWrapper name='cafe.txt' mode='r' encoding='US-ASCII'> fp3的io信息： <_io.TextIOWrapper name='cafe.txt' mode='r' encoding='utf-8'> fp3中的文件内容： café fp4的io信息： <_io.BufferedReader name='cafe.txt'> fp4的文件内容： café fp5的io信息： <_io.TextIOWrapper name='cafe.txt' mode='r' encoding='US-ASCII'> fp5的文件内容： caf
Unicode规范化
使用unicodedata.normalize提供的nuicode规范化
NFC使用最少码位构成等价的字符串，而NFD把组合字符分解成基字符和单独的组合字符。
>>> s1 = 'café' >>> s2 = 'cafeu0301' >>> s1, s2 ('café', 'café') >>> len(s1), len(s2) (4, 5) >>> s1 == s2 False
实际 é === 'eu0301' 是成立的，而Python 看到的是不同的码位序列，因此判定二者不相等，则需要使用NFC或NFD。
from unicodedata import normalize s1 = 'café' # 把"e"和重音符组合在一起 s2 = 'cafeu0301' # 分解成"e"和重音符 print('s1和s2的长度：', len(s1), len(s2)) print('NFC标准化处理以后的s1,s2的长度：', len(normalize('NFC', s1)), len(normalize('NFC', s2))) print('NFD标准化处理以后的s1,s2的长度：', len(normalize('NFD', s1)), len(normalize('NFD', s2))) print(normalize('NFC', s1), normalize('NFC', s2))
#结果：
s1和s2的长度： 4 5 NFC标准化处理以后的s1,s2的长度： 4 4 NFD标准化处理以后的s1,s2的长度： 5 5 café café