python编码问题记录

几个编码概念

1. 脚本字符编码： 指定python脚本中字符的编码方式（python在处理数据时，以什么编码方式来处理）

   • python2： ASCII
   • python3： UTF-8

2. 解释器字符编码: python解释器默认的编码方式

   • python2： ASCII
   • python3： UTF-8

3. 系统编码: 这个编码和python本身没有太大关系，只是我们有时候会看到乱码情况，这时就和系统编码有关

几类常见的问题

1. SyntaxError: Non-ASCII character 'xe5' in file...

   这一类问题一般出现在python2中，由脚本字符编码导致。当脚本中出现中文，且未指定编码类型，那么python2在处理脚本数据时，会用默认的ASCII去解析中文，导致上面的error。

   python2的脚本文件，一般都会说明字符编码类型，如#-*- encoding: utf-8 -*-

   详情： http://python.org/dev/peps/pep-0263/

2. UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 0: ordinal not in range(128)

   这类问题一般出现在python2中，在编码类型转换中触发。

   python2中有两个编解码函数： decode和encode，用于unicode编码和其他编码方式的转换。 decode将其他编码类型的字符串，转化为unicode编码，反之， encode将unicode编码转换为其他. 我们可以通过这两个函数，获取某种编码下的变量值，如：

   >>> import chardet
   >>> a = '张三'  
   >>> chardet.detect(a)
   {'confidence': 0.7525, 'language': '', 'encoding': 'utf-8'}    # 系统默认编码为utf-8, 所以a的编码为utf-8
   >>> b = a.decode('utf-8')     # 用utf-8 解码后，得到unicode字符串
   >>> b
   u'u5f20u4e09'
   >>> c = b.encode('gb2312')    # 将unicode 编码为gbk
   >>> chardet.detect(c)
   {'confidence': 0.682639754276994, 'language': 'Russian', 'encoding': 'KOI8-R'}
   
   >>> chardet.detect(a.decode('utf-8').encode('gb2312'))   # 一次性变更有同样的效果
   {'confidence': 0.682639754276994, 'language': 'Russian', 'encoding': 'KOI8-R'}
   

   但是，当由于某种原因，我们无意将一种非unicode编码，转换为另一种非unicode编码，且未指定解码方式时，可能出现上述error，如

   >>> a.encode('gb2312')   # a是utf-8编码，强行转换成gb2312，会出错
   Traceback (most recent call last):
   File "<stdin>", line 1, in <module>
   UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 0: ordinal not in range(128)
   

   这是因为，如果a不是unicode编码，且要转换成另外一种编码的情况下，python会用默认的解释器编码先进行解码，即进行a.decode('ascii')的操作，但是由于a中包含中文，ascii无法解析，故报错

3. 乱码问题。

   乱码不是python自身的问题，而是和第三方系统相关，即变量的编码类型，和显示系统的编码类型不一致，会造成乱码。简单举个例子：

   此刻我使用的macos，系统默认编码为utf-8

   >>> a = '李四'
   >>> chardet.detect(a)
   {'confidence': 0.7525, 'language': '', 'encoding': 'utf-8'}
   >>> print(a)
   李四
   >>> b = a.decode('utf-8').encode('gbk')
   >>> print(b)
   ����
   >>>
   

python3中对编码问题的优化

1. 脚本中的字符不再受系统默认编码的影响，统一为unicode

   ➜ ~ python2	
   Python 2.7.16 (default, Feb 29 2020, 01:55:37)
   [GCC 4.2.1 Compatible Apple LLVM 11.0.3 (clang-1103.0.29.20) (-macos10.15-objc- on darwin
   Type "help", "copyright", "credits" or "license" for more information.
   >>>
   >>> import chardet
   >>> a = '张三'
   >>> chardet.detect(a)
   {'confidence': 0.7525, 'language': '', 'encoding': 'utf-8'}
   

   可以看到，在python2中，字符的默认编码是和系统默认编码保持一致的
   特别注意： 字符默认编码和# -*- encoding=xxx -*-的声明没有关系，该声明只是告诉python解释器应该用什么编码方式去读取脚本内容

   ➜  ~ python3
   Python 3.7.3 (default, Sep 18 2019, 14:29:06)
   [Clang 11.0.0 (clang-1100.0.33.8)] on darwin
   Type "help", "copyright", "credits" or "license" for more information.
   >>>
   >>> import chardet
   >>> a = '张三'
   >>> chardet.detect(a)      # chardet的参数必须是字节流，python3中字符默认unicode，所以报错
   Traceback (most recent call last):
   File "<stdin>", line 1, in <module>
   File "/Library/Python/3.7/site-packages/chardet/__init__.py", line 34, in detect
   '{0}'.format(type(byte_str)))
   TypeError: Expected object of type bytes or bytearray, got: <class 'str'>
   >>> type(a)
   <class 'str'>              # python3中使用str表示unicode
   

   可以看到，python3中，字符的默认编码是str（也就是py2中的unicode)，不再受系统默认编码影响

2. 脚本默认编码方式为utf-8, 即不必在脚本开头声明# -*- encoding: utf-8 -*-，也可以在脚本中随意使用中文

3. 将字符串和字节序列做了区分。增加了bytes数据类型。

   字符串str： 对标python2中的unicode

   >>> a = '李四'
   >>> type(a)
   <class 'str'> 
   

   比如，a的默认类型即为str类

   bytes: 对标python2中str类型（包含各种编码方式）

   >>> b = a.encode('utf-8')
   >>> type(b)
   <class 'bytes'>
   >>> chardet.detect(b)
   {'encoding': 'utf-8', 'confidence': 0.7525, 'language': ''}
   
   >>> type(a.encode('gbk'))
   <class 'bytes'>