Python编码问题详解

1. 基本概念

• 字符集（Character set）

  • 解释：文字和符合的总称
  • 常见字符集：
    • Unicode字符集
    • ASCII字符集（Unicode子集）
    • GB2312字符集

• 编码方法（Encoding）

  • 解释：将字符对应到字节的方法，部分字符集和编码方法名称一样。
  • 常见编码方法:
    • UTF-8：可对Unicode字符进行编码
    • GB2312
    • ASCII

• 编码（Encode）

  • 解释：将字符集中字符按照一定规则转换成字节

• 解码（Decode）

  • 解释：与编码相反，将字节转换为字符集中的字符

• 字符集与编码方法的关系

  • 每个字符集都有对应的编码方法
  • 一种字符集可能有多种编码方法
    • 不同的编码方法得到的字节不同，占用存储空间也不一样
    • 例如Unicode字符可以使用UTF-8/ASCII/GBK等方法编码
  • Unicode字符集包含世界上大部分字符，很多其他字符集有的字符它都有，是他们的超集
  • 大部分字符集可以理解为Unicode的子集
  • 实际上，除了Unicode之外所谓的字符集主要是对Unicode部分字符编码而已（定义编码方式）
  • 一种编码不必支持Unicode的所有字符（通常把它能支持的那部分称为它的字符集）

2. 关于编码的错误和解决方法

在开发过程中，我们所接触的字符集大多都是Unicode，大部分报错都是关于编码和解码的。

2.1. 编码错误UnicodeEncodeError

2.1.1. 错误分析

导致该错误的原因通常是编码方法支持的Unicode字符不全；在工作中，你写了一个txt中文文档，想用ascii编码去保存这个文件，就会报这种错误。

错误复现：

我们知道ascii不支持字符中，那我们用ascii编码方法对Unicode码中进行编码：

# -*- encoding: utf-8 -*- 
u"中".encode(encoding='ascii')

报错如下:

UnicodeEncodeError: 'ascii' codec can't encode character 'u4e2d' in position 0: ordinal not in range(128)

这是一个UnicodeEncodeError 类型的错误，提示无法使用指定的编码方法对字符进行编码，报错提示中可以得到3个信息:

• 当前使用的是acsii编码方法
• 被编码的字符是'u4e2d'
• ascii编码方法能支持的字符有128个

有时候我们还可以利用这个提示查看编码方法支持的字符个数：

# -*- encoding: utf-8 -*- 
u"中".encode(encoding='iso-8859-1')

报错：

UnicodeEncodeError: 'latin-1' codec can't encode character 'u4e2d' in position 0: ordinal not in range(256)

通过报错提示可以看出iso-8859-1能编256个字符。

接着，我们来看下用支持中文的utf-8 编码方法进行编码能得到什么结果：

# -*- encoding: utf-8 -*-
s = u"中".encode(encoding='utf-8')
print("s: ", s)
print("s == 中?" , s == '中')
print("type of s: ", type(s))
print("str==bytes? ", bytes == type(s))

输出：

('s: ', 'xe4xb8xad')
('s == xe4xb8xad?', True)
('type of s: ', <type 'str'>)
('str==bytes? ', True)

从输出的结果可以得到:

• 编码得到的对象跟我们直接定义的字符串是一样的，都是str
• str就是bytes(python中)

2.1.2. 解决方法

UnicodeEncodeError 是说编码方法支持的字符不全，而UTF-8编码就能很好地对Unicode编码，所以只要把编码方法指定为utf-8就可以了。

在python2中：

如果你调用encode方法但没有指定encoding参数，那很可能使用了系统默认的参数，就像：

# -*- encoding: utf-8 -*-
import sys
print "default encoding is %s ." % sys.getdefaultencoding()
u'中'.encode()

输出：

default encoding is ascii .
UnicodeEncodeError: 'ascii' codec can't encode character u'u4e2d' in position 0: ordinal not in range(128)

可以手动指定encoding参数，也可以修改python默认编码方法：

# -*- encoding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf-8')  # 必须在reload之后调用

print u'中'.encode()

在python3中：

在python3中你很难看到UnicodeEncodeError了，因为python3的默认编码就是utf-8,而Unicode字符都可以用utf-8编码方法编码。

2.2. 编码错误UnicodeDecodeError

2.2.1. 错误分析

导致该错误的原因是使用了错误的解码方式把字节数据还原成字符。例如在工作中，有一个utf-8生成中文文档，我们选择用ascii编码解码，就会报这个错。

错误复现：

我们知道python中字符串和字节是一样，我们可以定义一个中文字符串，通过ascii来解码生成Unicode，复现这个错误：

# -*- encoding: utf-8 -*-
print '中'.decode(encoding='ascii')

输出：

UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)

注意，这是一个UnicodeDecodeError错误，区别于编码错误UnicodeEncodeError，它提示无法把字节0xe4（实际上中对应三字节，0xe4是第一个） 解码成Unicode。0xe4转换为10进制是228，已经超过127了，所以ascii无能力了。

2.2.2. 解决方法

我们需要知道生成字节的编码方式才能进行还原，就好像对一个文件进行了加密，必须得知道加密的密码才能把文件还原，而解码方式（或者称为编码）就是那个密码。 所以不管是python2还是python3直接去修改默认编码为UTF-8不一定能解决问题，具体的方法有两种：

1. 通过源码找到解码失败的字节是使用那种编码生成的
2. 对报错的字节数据使用各种常见的编码进行解码，观察哪一种是正确的

以一个例子来说明为什么直接设置默认编码为UTF-8不能有效解决UnicodeDecodeError问题

python文件头指定了编码为，在声明字符串时候将会使用指定的编码转换为字节：

# -*- encoding: GBK -*-
s = "张"
print ("s is ", s)

s_unicode = u'张'
print ("encoding with GBK is ", s_unicode.encode("GBK"))
print ("encoding with UTF-8 is ", s_unicode.encode("UTF-8"))

输出:

('s is ', 'xd5xc5')
('encoding with GBK is ', 'xd5xc5')
('encoding with UTF-8 is ', 'xe5xbcxa0')

在文件头中指定了GBK编码后默认情况下字符张就会被编码为xd5xc5，这与我们手动用GBK编码得到结果一致，而使用utf-8编码得到的是3个字节的数据xe5xbcxa0(使用了更多的存储空间)。

例子开始了，在python2中将一个dict转换成json：

# -*- encoding: GBK -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d))

输出:

UnicodeDecodeError: 'utf8' codec can't decode byte 0xd5 in position 0: invalid continuation byte

错误说无法使用utf-8解码0xd5，0xd5也就是GBK中的张，我们知道这个字节是用GBK生成的，这个时候可以设置json.dumps的encoding参数解决：

# -*- encoding: GBK -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='gbk'))

修改一下代码，继续使用我们熟悉的utf-8编码来执行：

# -*- encoding: utf-8 -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='utf-8'))

输出:

{"name": "u5f20", "sex": "man"}

发现name是unicode，使用ensure_ascii=False，不强制转换成ascii：

# -*- encoding: utf-8 -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='utf-8', ensure_ascii=False))

输出：

  File "/usr/local/Cellar/python@2/2.7.15_1/Frameworks/Python.framework/Versions/2.7/lib/python2.7/json/__init__.py", line 251, in dumps
    sort_keys=sort_keys, **kw).encode(obj)
  File "/usr/local/Cellar/python@2/2.7.15_1/Frameworks/Python.framework/Versions/2.7/lib/python2.7/json/encoder.py", line 210, in encode
    return ''.join(chunks)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 1: ordinal not in range(128)

纳尼，文件头也是utf-8，也指定了utf-8怎么还是报错？错误提示用ascii去解码0xe5字节，在上面的代码输出中可以知道0xe5是utf-8对字符张编码的第一个字节 ，报错的原因是用ascii去解析utf-8生成的字节了。我们并没有设置哪个地方使用ascii解码，应该是系统默认的编码，尝试设置系统默认编码再执行：

# -*- encoding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='utf-8', ensure_ascii=False))

输出：

{"name": "张", "sex": "man"}

3. 总结

3.1. python2和python3对字符串的处理区别

• Python2
  • 默认编码是ascii
• Python3
  • 默认编码为utf-8
  • 不能使用import sys;sys.setdefaultencoding('utf-8')设置默认编码
  • Unicode和str都用字符串表示了

3.2. 为什么不全用UTF-8编码?

UTF-8包含的字符更多，占用的内存和磁盘空间也更大，比如对汉字张，utf-8是3个字节，gbk是2个字节。

3.3. 如何快速解决UnicodeEncodeError错误?

python3中基本不会出现，python2中尝试设置默认编码为utf-8。

3.4. 快速解决UnicodeDecodeError?

需要知道出错的字节是使用哪种编码方式生成的，然后尝试把默认编码设置成这种。