Python字符编码 | 易学教程

在用python编程中，字符串有两种表示方法"string"和 u"string"。

为什么字符串要是用这两种表达方式。不是仅仅用前一种呢？

使用type()函数查看，它们各自是str对象和unicode对象。这两个对象有什么差别吗？还有经经常使用到的encode()和decode()又是干什么的呢？都说python脚本使用的是两字节编码，这又是指什么呢？

要回答上面几个问题，首先得弄清楚关于编码的几个概念：

Character Set：字符集，是我们人能够识别的字符。
如ASCII规定了127个用一个字节能够表示的字符集。包含英文字母、数字、符号和一些控制字符。当然ASCII定义的字符集比較小。
python中的Character Set基本包含眼下世界上全部是用的字符。如中文、英文、日文字符等等。所以基本上全部的字符都可在Python 中进行处理。

Code Point ：计算机是不能直接识别字符的（由于它仅仅能直接识别二进制码），所以为了能让计算机处理和存储字符，须要将字符映射成一个数值（由于数值能够用二进制表达，计算机从而就能够识别了），这个数值叫作字符的code point。字符与其code point是一对一映射，Unicode非常好的规定了这样的映射关系。

Encode：unicode尽管规定了每一个字符的Code Point，但并没有规定计算机怎样存储这些Code Point。
全部就有了UTF-8、GBK、UTF-16等编码格式，它们规定计算机怎样来存储这个Code Point，每一个编码格式它们存储方式都是不同样的。比如，“中”字的Code Point为U
+2D2E（U表示Unicode，2D2E表示该Code Point值），使用GBK、Big5、UTF-8、UTF-16四种编码协议对该Code Point进行编码。获得的实际二进制表演示样例如以下：
       GBK      Big5        UTF-8     UTF-16
 ~~\xD6\xD0  \xA4\xA4  \xE4\xB8\xAD  \x2D\x4E
Decode：对实际的二进制进行解码。获取它所代表字符的Code Point。如“\xD6\xD0”使用GBK解码，将获得2D2E（“中”的Code Point ），假设使用UTF-8对其进行解码。就会出错。由于它不是用UTF-8编码的。

上面简介下字符及编码解码的概念，可參考博文《字符的编码与解码》。

Python中使用两种字符串表达方式，是为了区分字符与实际表示字符的二进制信息。

unicode对象用来表示字符。它不涉及字符的底层的二进制编码信息。

str对象是用来表示字符的二进制信息。一个unicode对象能够使用多种编码格式（如UTF8、GBK）编码（encode）成多个str对象。每一个str对象表示该字符串的一种二进制表达。多个不同的str对象能够解码成相等的unicode对象（表示字符串同样。但内存位置不同）。

unicode的存在也是为了解决因採用不同编码格式导致的一些问题。建议大家使用unicode对象来存放字符串，统一格式。

unicode尽管不规定详细的二进制信息，但为了存放每一个字符的Code Point值，须要两个字节，所以说Python採用的是二进制编码（不知道这么理解可对？）。

因为str对象没有属性指定它的编码格式。所以对它进行处理时，仅仅能将它看成一个字节串。当对str对象进行打印或解码时。且不知道它的编码格式。那么python仅仅能用默认编码格式对其进行操作。

假设编码不匹配，就会出现乱码或者报错。

str对象：

称字符串，它是字符串使用特定编码格式进行编码后的二进制表达，实际代表用于存储二进制信息的字节串。
所以称它为“字节串”更合适。如
>>> str = '你好'   #採用系统设定的编码格式对“你好”进行编码，可通过locale命令查看。
>>> str
'\xe4\xbd\xa0\xe5\xa5\xbd'    #当locale设置为utf8时。'你好'的编码后的二进制表达，一个六字节的字节串

Unicode对象：

用于表达“字符”，由于计算机不用直接识别字符，所以使用Code Point来取代字符。例如以下：
>>> u"你好"
u'\u4f60\u597d'

Code Point 4F60表示“你”，597d表示“好”。
它仅仅是一个数值与字符映射，
不用于详细编码。

对一个str对象进行解码。能够获得它表达字符串的Code Point，即unicode对象。对unicode对象进行编码。可获得它的实际二进制表达，即str对象。当想把str对象从一中编码格式转换成还有一种编码格式时，首先得把str转换成unicode对象。再从unicode对象转换成第二种编码格式的str对象。

以下运行一个str对象从utf8格式到gbk格式的转换：

>>> str="你好"
>>> str
'\xe4\xbd\xa0\xe5\xa5\xbd'         # 採用OS的utf8编码格式
>>> unicode=str.decode("utf8")     # 解码成Code Point值 
>>> unicode
u'\u4f60\u597d'
>>> str_gbk=unicode.encode("gbk")  # 将Code Point编码成GBK格式
>>> str_gbk
'\xc4\xe3\xba\xc3'

>>> unicode.encode()               # 假设编码不指定格式，将採用系统默认的编码格式进行编码。对于decode也一样。这里因为ASCII不能对中文字符编码，所以出错了。
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

>>> u = u"你好"     #前缀u自己主动把字符串从utf8转换成unicode格式了
u'\u4f60\u597d'

写文件：

>>> file=open("test.txt", "a")
>>> file.write(str)
>>> file.write(str_gbk)
>>> file.write(unicode)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

从上面看。UTF8格式的str对象和GBK格式的str对象成功的写入test.txt文件，然而在将unicode对象写入文件时。出现错误了。

这是为什么呢？

str对象表示字符串经编码后的二进制信息，能够直接写入文件。

然后unicode对象表示的是字符串的Code Point值，是抽象的值，用来表示字符，是不能直接写入文件的。所以Python试图使用默认的编码格式ASCII。对unicode对象进行编码，然后将结果存入文件。可是因为ASCII不能对”你好”进行编码，所以报错了。

改动系统默认编码格式：

>>> import sys
>>> reload(sys)
<module 'sys' (built-in)>
>>> sys.setdefaultencoding("gbk")  #不建议这么用[2]

>>> str(unicode)      #使用默认GBK，对unicode("你好")进行编码，转成str对象
'\xc4\xe3\xba\xc3'
>>> unicode.encode()   #使用默认GBK。对unicode("你好")进行编码，转成str对象
'\xc4\xe3\xba\xc3'

>>> "你好".decode()    #由于系统使用UTF8，所以“你好”是UTF8格式的字节串，使用默认GBK对该字节串进行解码，尽管成功执行了，但其结果是不对的。所以我们须要保证字节串用什么格式编码的。就要用什么格式解码。
u'\u6d63\u72b2\u30bd'

參考文献：

[1] http://www.newsmth.net/bbscon.php?

bid=284&id=84741

[2] http://stackoverflow.com/questions/3828723/why-we-need-sys-setdefaultencodingutf-8-in-a-py-script

[3] http://www.joelonsoftware.com/articles/Unicode.html

[4] http://www.unicode.org/

来源：https://www.cnblogs.com/mfrbuaa/p/5077643.html

标签

二进制