Python基础-字符编码与转码

Python全栈开发之Python基础-字符编码与转码

详细文章:

http://www.cnblogs.com/yuanchenqi/articles/5956943.html

http://www.diveintopython3.net/strings.html

需知:

1.在python2默认编码是ASCII, python3里默认是utf-8

2.unicode 分为 utf-32(占4个字节),utf-16(占两个字节)，utf-8(占1-4个字节)， so utf-8就是unicode

3.在py3中encode,在转码的同时还会把string 变成bytes类型，decode在解码的同时还会把bytes变回string

一、python2

1. py2里默认编码是ascii
2. 文件开头那个编码声明是告诉解释这个代码的程序 以什么编码格式 把这段代码读入到内存，因为到了内存里，这段代码其实是以bytes二进制格式存的，不过即使是2进制流，也可以按不同的编码格式转成2进制流，你懂么？
3. 如果在文件头声明了#_*_coding:utf-8*_，就可以写中文了， 不声明的话，python在处理这段代码时按ascii，显然会出错， 加了这个声明后，里面的代码就全是utf-8格式了
4. 在有#_*_coding:utf-8*_的情况下，你在声明变量如果写成name=u"大保健"，那这个字符就是unicode格式，不加这个u,那你声明的字符串就是utf-8格式
5. utf-8 to gbk怎么转，utf8先decode成unicode,再encode成gbk

二、python3

1. py3里默认文件编码就是utf-8,所以可以直接写中文，也不需要文件头声明编码了，干的漂亮
2. 你声明的变量默认是unicode编码，不是utf-8, 因为默认即是unicode了（不像在py2里，你想直接声明成unicode还得在变量前加个u）, 此时你想转成gbk的话，直接your_str.encode("gbk")即可以
3. 但py3里，你在your_str.encode("gbk")时，感觉好像还加了一个动作，就是就是encode的数据变成了bytes里，我操，这是怎么个情况，因为在py3里，str and bytes做了明确的区分，你可以理解为bytes就是2进制流，你会说，我看到的不是010101这样的2进制呀， 那是因为python为了让你能对数据进行操作而在内存级别又帮你做了一层封装，否则让你直接看到一堆2进制，你能看出哪个字符对应哪段2进制么？什么？自己换算，得了吧，你连超过2位数的数字加减运算都费劲，还还是省省心吧。　　
4. 那你说，在py2里好像也有bytes呀，是的，不过py2里的bytes只是对str做了个别名，没有像py3一样给你显示的多出来一层封装，但其实其内部还是封装了的。 这么讲吧， 无论是2还是三， 从硬盘到内存，数据格式都是 010101二进制到-->b'xe4xbdxa0xe5xa5xbd' bytes类型－－>按照指定编码转成你能看懂的文字

编码应用比较多的场景应该是爬虫了，互联网上很多网站用的编码格式很杂，虽然整体趋向都变成utf-8，但现在还是很杂，所以爬网页时就需要你进行各种编码的转换，不过生活正在变美好，期待一个不需要转码的世界。

最后，编码is a piece of fucking shit, noboby likes it.

ps:

python2 的用法

gbk转成utf-8

[root@python2 scripts]# cat encode.py 
#!/usr/bin/env python
# -*- coding:utf-8 -*-      
#Author: nulige

import sys
print(sys.getdefaultencoding())

s = "你好"
s_to_unicode = s.decode("utf-8")
print(s_to_unicode)
s_to_gbk = s_to_unicode.encode("gbk")
print(s_to_gbk)

gbk_to_utf8 = s_to_gbk.decode("gbk").encode("utf-8")
print(gbk_to_utf8)

执行结果：

[root@python2 scripts]# python encode.py
ascii      #系统默认编码
你好
?oí
    你好    #gbk转成utf-8

utf-8是unicode的扩展集

[root@python2 scripts]# cat encode.py 
#!/usr/bin/env python
# -*- coding:utf-8 -*-      
#Author: nulige

import sys
print(sys.getdefaultencoding())

s = u"你好"
print(s)

s_to_unicode = s.decode("utf-8")
print(s_to_unicode)
s_to_gbk = s_to_unicode.encode("gbk")
print(s_to_gbk)

gbk_to_utf8= s_to_gbk.decode("gbk").encode("utf-8")
print(gbk_to_utf8)

执行结果：

[root@python2 scripts]# python encode.py
ascii
你好      #utf-8是unicode的扩展集，所以这里也是可以显示中文的
Traceback (most recent call last):
  File "encode.py", line 11, in <module>
    s_to_unicode = s.decode("utf-8")
  File "/usr/local/lib/python2.7/encodings/utf_8.py", line 16, in decode
    return codecs.utf_8_decode(input, errors, True)
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

gbk转成utf8

[root@python2 scripts]# cat encode.py 
#!/usr/bin/env python
# -*- coding:utf-8 -*-      
#Author: nulige

import sys
print(sys.getdefaultencoding())

s = u"你好"
print(s)

s_to_gbk = s.encode("gbk")
print(s_to_gbk)

gbk_to_utf8= s_to_gbk.decode("gbk").encode("utf-8")
print(gbk_to_utf8)

执行结果：

[root@python2 scripts]# python encode.py 
ascii
你好
?oí
5     你好

python3

#!/usr/bin/env python
#Author: nulige

import sys
print(sys.getdefaultencoding())

s = "你哈"                   #默认是utf-8
s_gbk = s.encode("gbk")     #utf-8转成gbk

print(s_gbk)
print(s.encode())

执行结果：

utf-8                     #python默认是utf-8
b'xc4xe3xb9xfe'       #utf-8转成gbk

 3 b'xe4xbdxa0xe5x93x88'

#!/usr/bin/env python
#Author: nulige

import sys
print(sys.getdefaultencoding())

s = "你哈"
s_gbk = s.encode("gbk")

print(s_gbk)
print(s.encode())

gbk_to_utf8 = s_gbk.decode("gbk").encode("utf-8")    #gbk转成utf-8
print("utf8",gbk_to_utf8)

执行结果：

utf-8
b'xc4xe3xb9xfe'
b'xe4xbdxa0xe5x93x88'
utf8 b'xe4xbdxa0xe5x93x88'

总结

把PyCharm字符编码调成gbk

#!/usr/bin/env python
# -*-coding:gbk-*-
#Author: nulige

#不同字符编码要先转成uncode
import sys
print(sys.getdefaultencoding())

s = '你好'   #默认uncode
print(s.encode("gbk"))
print(s.encode("utf-8"))
print(s.encode("utf-8").decode("utf-8").encode("gb2312"))
print(s.encode("utf-8").decode("utf-8").encode("gb2312").decode("gb2312"))

执行结果：

utf-8
b'xc4xe3xbaxc3'
b'xe4xbdxa0xe5xa5xbd'
b'xc4xe3xbaxc3'
你好

作业：

python2 or python 3 

记住：所有字符集的转换，都要经过unicode
1、把gbk2312 to utf-8
2、把utf-8 to gbk