【转】Python2编码大坑详解

 

作者： jinhaolin

出处： http://www.cnblogs.com/jinhaolin/>

 

以下依次列出python2常遇到的几个问题及讲解。

 

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

python2默认以ASCII编码，但是在实际编码过程中，我们会用到很多中文，为了不使包含中文的程序报错，也是为了符合国际通用惯例，一般将我们的文件编码设置为utf-8格式。

设定编码的格式有很多种，只要第一行或者第二行的声明符合正则表达式 "coding[:=]s*([-w.]+)" 即可，一般的声明方式为#-*- coding:utf-8 -*-。

str = "你好"
print str

运行以上代码，程序会报错：SyntaxError: Non-ASCII character 'xe4' in file D:/TestPython/test/111.py on line 1,

                                              but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details。

这是提示程序中有非ASCII编码的字符。如果加上utf-8声明，程序就不会报错。

# -*- coding:utf-8 -*-
 
str = "你好"
print str

虽然以上写法不会报错，但是输出的却是乱码，为什么呢？这就是下面要讲的内容。

 

encode和decode

讲解编码和解码之前，先来讲讲Unicode和utf-8的关系，推荐这篇博客给大家。

可以这样来理解：字符串是由字符构成，字符在计算机硬件中通过二进制形式存储，这种二进制形式就是编码。如果直接使用 “字符串↔️字符↔️二进制表示（编码）” ，会增加不同类型编码之间转换的复杂性。所以引入了一个抽象层，“字符串↔️字符↔️与存储无关的表示↔️二进制表示（编码）” ，这样，可以用一种与存储无关的形式表示字符，不同的编码之间转换时可以先转换到这个抽象层，然后再转换为其他编码形式。在这里，unicode 就是 “与存储无关的表示”，utf—8 就是 “二进制表示”。

python2中字符串有两种表示形式，str和unicode。str可以理解为上面这段话中的二进制编码格式，unicode可以理解为抽象层。encode是编码，即从unicode格式到二进制的编码格式如utf-8、gb2312等。decode是解码，即从二进制编码格式到unicode编码格式。

下面请看代码：

 

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

str1 = "你好"
print type(str1)
str2 = str1.decode("utf-8")
print type(str2)

str1是str类型， 通过decode转为了unicode类型。

下面看encode代码：

# -*- coding:utf-8 -*-
 
str1 = u"你好"
print type(str1)
str2 = str1.encode("utf-8")
print type(str2)

str1是unicode类型，通过encode转为了str类型。

 

我们再回头看最开始留下的问题，那段代码为什么会输出乱码呢。因为文件规定的编码格式是utf-8,但是我们print是打印到控制台的，控制台无法显示utf-8编码格式的字符。所以我们要转一下格式。

# -*- coding:utf-8 -*-
 
str = "你好"
str = str.decode("utf-8")
print str

很多时候编码解码的时候需要加ignore参数才能正确转换，例如.encode('utf-8', 'ignore')或.decode('utf-8', 'ignore')，大家自行斟酌吧。

 

chardet获取编码格式

有些时候我们是无法知道字符串是什么编码的，比如抓取网页时，有些是utf-8的，有些是gb2312编码的，那我们该怎么获取编码格式并转换为unicode呢。这里就介绍到一个第三方库chardet。使用方式大概如下：

# -*- coding: utf-8 -*-
 
import chardet
 
str = "xxxxx"
str_type = chardet.detect(str)
code = str_type['encoding']

code即为str的编码格式。但有些人反映该方法得到的编码格式不准确，速度也慢。本人亲测，速度确实一般，但是目前还没遇到不准确的情况。大家可以斟酌使用，我这里只是提供一个思路，如果谁那里有更好的方式，可以告知小弟，不吝赐教才是。

 

import sys

reload(sys)

sys.setdefaultencoding('utf8')

之前也遇到过很莫名其妙的编码错误，网上搜到这种方法能解决就糊里糊涂的用上了，也不知是什么原理。今天看到一篇不错的博客，推荐给大家：http://blog.csdn.net/crazyhacking/article/details/39375535。以下内容引用自该篇文章：

Python 里面的编码和解码也就是 unicode 和 str 这两种形式的相互转化。编码是 unicode -> str，相反的，解码就是 str -> unicode。剩下的问题就是确定何时需要进行编码或者解码了.关于文件开头的"编码指示"，也就是 # -*- coding: -*- 这个语句。Python 默认脚本文件都是 UTF-8 编码的，当文件中有非 UTF-8 编码范围内的字符的时候就要使用"编码指示"来修正. 关于 sys.defaultencoding，这个在解码没有明确指明解码方式的时候使用。比如我有如下代码：
#! /usr/bin/env python
# -*- coding: utf-8 -*-
s = '中文'  # 注意这里的 str 是 str 类型的，而不是 unicode
s.encode('gb18030')
 
这句代码将 s 重新编码为 gb18030 的格式，即进行 unicode -> str 的转换。因为 s 本身就是 str 类型的，因此 Python 会自动的先将 s 解码为 unicode ，然后再编码成 gb18030。因为解码是python自动进行的，我们没有指明解码方式，python 就会使用 sys.defaultencoding 指明的方式来解码。很多情况下 sys.defaultencoding 是 ANSCII，如果 s 不是这个类型就会出错。拿上面的情况来说，我的 sys.defaultencoding 是 anscii，而 s 的编码方式和文件的编码方式一致，是 utf8 的，所以出错了:
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position
0: ordinal not in range(128)
对于这种情况，我们有两种方法来改正错误：
一是明确的指示出 s 的编码方式
 
#! /usr/bin/env python
# -*- coding: utf-8 -*-
 
s = '中文'
s.decode('utf-8').encode('gb18030')
 
 
二是更改 sys.defaultencoding 为文件的编码方式
 
#! /usr/bin/env python
# -*- coding: utf-8 -*-
 
import sys
reload(sys) # Python2.5 初始化后会删除 sys.setdefaultencoding 这个方法，我们需要重新载入
sys.setdefaultencoding('utf-8')
 
str = '中文'
str.encode('gb18030')
 
    
 
看完之后,改成这样
 
print "<p>addr:", form["addr"].value.decode('gb2312').encode('utf-8')
成功通过.

但是这种方式用着就是别扭，还是尽量自己来控制编码，明确了编码格式，自己写着也踏实。

 

个人总结

实际编程过程中，最好能在代码内统一编码格式，比如统一为unicode，因为这样就不用考虑编码的问题了。到了显示或输出时再转换为存储类型（utf-8、GBK）。