Python2 和 Python3 中默认编码的差异

最近在使用 Python3.4 做一些脚本实现，发现对于编码的处理上和 Python2.6 有很大的不同，就此机会把相关知识做个梳理，方便需要的时候查阅。

先说下概念和差异：

脚本字符编码：就是解释器解释脚本文件时使用的编码格式，可以通过 # -\*- coding: utf-8 -\*- 显式指定
解释器字符编码：解释器内部逻辑过程中对 str 类型进行处理时使用的编码格式
Python2 中默认把脚步文件使用 ASCII 来处理(历史原因请 Google)
Python2 中字符串除了 str 还有 Unicode，可以用 decode 和 encode 相互转换
Python3 中默认把脚步文件使用 UTF-8 来处理(终于默认就支持中文了，赞)
Python3 中文本字符和二进制分别使用 str 和 bytes 进行区分，也是使用 decode 和 encode 进行相互转换

关于默认脚本字符编码，因为对脚步文件处理的默认编码格式变了，所以很多针对内容的处理，都发生了变化，比如下面这个脚本。

import sys

print(sys.getdefaultencoding())
print('中文')

使用 Python3.4 解释器运行结果如下：

> python34 test.py
utf-8
中文

使用 Python2.6 解释器运行结果如下：

> python26 test.py
  File "test.py", line 4
SyntaxError: Non-ASCII character '\xe4' in file test.py on line 4, but no encoding declared; see http://www.python.org/peps/pep-0263.html for details

使用 Python2.6 报错就是因为第一条说的「Python2 中默认把脚步文件使用 ASCII 来处理」，但是脚步文件包含了中文，ascii 又没有覆盖中文，所以报错。如果我们把脚步稍作修改：

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

import sys

print(sys.getdefaultencoding())
print('中文')

增加了脚本字符编码的说明，再次使用 Python2.6 解释器运行结果为：

> python26 test.py
ascii
涓枃

因为明确指定了脚步文件编码格式为 utf-8，所以读取没问题，也就是说如果 Python2 脚本文件中包含了非 ASCII 字符时，一定要显式指定脚步文件编码格式，对于 Python3 因为默认的脚步文件编码格式就是 utf-8，所以没有这个问题(后面会有文章详细讨论这个问题)。

但是我们回头看下刚才的输出，结果显示为乱码。

乱码就涉及到另一个我们要说的不同点解释器字符编码，因为我们定义了 utf-8 格式读取脚步内容，但是因为 Python2.6 在 Windows 平台上，默认是使用 gbk 对字符进行 decode 输出，不信你看：

> python26
ActivePython 2.6.6.15 (ActiveState Software Inc.) based on
Python 2.6.6 (r266:84292, Aug 24 2010, 16:01:11) [MSC v.1500 32 bit (Intel)] on
win32
Type "help", "copyright", "credits" or "license" for more information.
>>> s='中文'
>>> s
'\xd6\xd0\xce\xc4'
>>> s.decode('gbk').encode('utf-8')
'\xe4\xb8\xad\xe6\x96\x87'
>>> print('\xd6\xd0\xce\xc4')
中文
>>> print('\xe4\xb8\xad\xe6\x96\x87')
涓枃

完整描述下上面乱码出现的过程：
使用指定的脚本文件编码 utf-8 格式读取了「中文」，读取到的字符串内容为 '\xe4\xb8\xad\xe6\x96\x87'，然后输出时 Python2.6 的解释器使用默认解释器字符编码 gbk 格式对读取内容进行 encode 输出，但是之前 utf-8 是 3 个字节长度表示一个中文，而 gbk 是用 2 个字节长度来表示中文，所以之前的 2 个中文，在输出的时候就按照 3 个中文进行编码(encode)，当然就乱码了，仔细看那个乱码，就是 3 个字。

我们再用代码验证下上面说的内容：

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

import sys

print(sys.getdefaultencoding())
print('中文')
print('\xe4\xb8\xad\xe6\x96\x87')
print('\xe4\xb8\xad\xe6\x96\x87'.decode('gbk', 'ignore'))
print('\xd6\xd0\xce\xc4'.decode('gbk').encode('utf-8'))
print('中文'.decode('utf-8'))
print('\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8'))
print('\xd6\xd0\xce\xc4')
print('\xd6\xd0\xce\xc4'.decode('gbk'))

看看输出结果：

> python26 test.py
ascii
涓枃
涓枃
涓枃
涓枃
中文
中文
中文
中文

很明显 gbk 格式解码的十六进制字符正常输出为中文了，显式使用 utf-8 对 utf-8 格式的十六进制字符进行 decode 也输出正常了。

同理，还可以看到另外 2 个现象：

把 py 文件用 utf-8 格式存储，并且包含「中文」字样时，如果使用 gbk 格式打开，也是看到「中文」显示的乱码和上面程序输出的一致；
如果把 py 文件使用 gbk 格式存储，这时候 print('中文') 也显示正常了；

乱码的终极原因就是：对同一个字符串的 encode 和 decode 编码格式不一致。

上面说的这个问题，如果文件存储和脚本文件编码都使用 utf-8 时，使用 Python3.4 是没有问题的，因为 Python3 默认的解释器字符编码是 utf-8 了，默认就可以处理中文了。

总结下结论：

1. Python2 脚步文件尽量使用 gbk 格式存储；同理 Python3 脚步文件尽量使用 utf-8 格式存储；
2. Python2 脚步如果带有中文字符时，请务必在脚本开头声明能支持中文的脚本文件编码；
3. Python2 中对同一个字符串的 encode 和 decode 编码格式请保持一致；

说明：本次所有测试脚本文件均保存为 utf-8 格式