Python深入：编码问题总结

一：字符编码简介

         1：ASCII

         最初的计算机的使用是在美国，所用到的字符也就是现在键盘上的一些符号和少数儿个特殊的符号，一个字节所就能足以容纳所有的这些字符，实际上表示这些字符的字节最高位都为0，也就是说这些字节都在0到127之间，如字符a对应数字97。这套编码规则被称为ASCII(美国标准信息交换码)。

 

         2：GBK、GB2312

         随着计算机的应用和普及，许多国家都把本地的字符集引入了计算机，大大扩展了计算机中字符的范围。以中文为例，一个字节是不能容纳所有的中文汉字的，因此大陆将每一个中文字符都用两个字节的数字来表示，原有的ASCII字符的编码保持不变，仍用一个字节表示，为了将一个中文字符与两个ASCII码字符相区别，中文字符的每个字节的最高位都为1，这套编码规则称为GBK(国标码)，后来，又在GBK的基础上对更多的中文字符(包括繁体)进行了编码，新的编码系统就是GB2312，可见GBK是GB2312的子集。

 

         3：Unicode

         每个国家和地区都制定了一套自己的编码，那么同样的一个字节，在不同的国家和地区就代表了不同的字符。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (ג)，在俄语编码中又会代表另一个符号。

         为了解决各个国家和地区使用本地化字符编码带来的不利影响，将全世界所有的符号进行了统一编码，称之为Unicode编码。这是一种所有符号的编码。如 “中”这个符号，在全世界的任何角落始终对应的都是一个十六进制的数字4e2d。

         最初的Unicode标准UCS-2使用两个字节表示一个字符，所以你常常可以听到Unicode使用两个字节表示一个字符的说法。但过了不久有人觉得256*256太少了，还是不够用，于是出现了UCS-4标准，它使用4个字节表示一个字符，不过我们用的最多的仍然是UCS-2。

 

         4：UTF

         注意，UCS(Unicode Character Set)还仅仅是字符对应码位的一张表而已，比如"中"这个字的码位是4E2D。字符具体如何传输和储存则是由UTF(UCS Transformation Format)来负责。

         一开始这事很简单，直接使用UCS的码位来保存，这就是UTF-16，比如，"汉"直接使用\x4E\x2D保存(UTF-16-BE)，或是倒过来使用\x2D\x4E保存(UTF-16-LE)。

         这里就有两个严重的问题，第一个问题是，如何才能区别Unicode和ASCII？计算机怎么知道两个字节表示一个符号，而不是分别表示两个符号呢？第二个问题是，英文字母只用一个字节表示就够了，如果Unicode统一规定，每个符号用两个字节表示，这对于存储来说是极大的浪费。于是UTF-8横空出世。

 

         5：UTF-8

         UTF-8是使用最广的一种Unicode的实现方式。其他实现方式还包括UTF-16（字符用两个字节或四个字节表示）和UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。

         UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。UTF-8的编码规则很简单，只有二条：

         1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

         2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

         下表总结了编码规则，字母x表示可用编码的位。

Unicode符号范围	UTF-8编码方式
00 00 00 00   -   00 00 00 7F	0xxxxxxx
00 00 00 80   -   00 00 07 FF	110xxxxx 10xxxxxx
00 00 08 00   -   00 00 FF FF	1110xxxx 10xxxxxx 10xxxxxx
00 01 00 00   -   00 10 FF FF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

         跟据上表，解读UTF-8编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。

         下面以汉字"严"为例，演示如何实现UTF-8编码。

         已知"严"的unicode是4E25（1001110 00100101），根据上表，可以发现4E25处在第三行的范围内（00000800-0000 FFFF），因此"严"的UTF-8编码需要三个字节，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然后，从"严"的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，"严"的UTF-8编码是"11100100 10111000 10100101"，转换成十六进制就是E4B8A5。

 

         6：BOM

         BOM(Byte Order Mark)。UTF引入了BOM来表示自身编码，如果一开始读入的几个字节是其中之一，则代表接下来要读取的文字使用的编码是相应的编码：

BOM_UTF8             '\xef\xbb\xbf' 

BOM_UTF16_LE    '\xff\xfe' 

BOM_UTF16_BE    '\xfe\xff'

 

         如果一个文本文件的头两个字节是FE FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。以汉字"严"为例，Unicode码是4E25，需要用两个字节存储，一个字节是4E，另一个字节是25。存储的时候，4E在前，25在后，就是Big endian方式；25在前，4E在后，就是Little endian方式。

         一般情况下，不建议在Linux中使用BOM。

 

         7：Unicode与UTF-8之间的转换

         "严"的Unicode码是4E25，UTF-8编码是E4B8A5，以该汉字为例，利用Ultraedit查看各种编码的具体值，一般的编辑器都支持以不同的编码方式保存文本，编码方式如下：

         1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对Windows简体中文版，如果是繁体中文版会采用Big5码）。这种方式编码的文件，就是两个字节"D1 CF"，这正是"严"的GB2312编码：

         2）UTF16编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。编码是四个字节"FF FE 25 4E"，其中"FF FE"表明是小头方式存储：

         3）UTF16-NOBOM编码与上一个选项相对应，只不过没有BOM编码，也就是文件中只存储UTF16编码"25 4E"：

         4）UTF-8编码，文件中共6个字节："EF BB BF E4 B8 A5"，其中前三个为BOM编码，后三个为UTF8编码：

         6）UTF8-NOBOM编码与上一个选项相对应，只不过没有BOM编码，也就是文件中只存储UTF8编码" E4 B8 A5"：

 

二：Python代码文件的编码

         Python解释器会使用某种编码方式来解释Python源代码文件，默认情况下，这种编码方式就是ASCII。

         Python2.1版本，在Python源码文件中，只能以以基于Latin-1的“转义unicode”的方式来书写Unicode字符，这对于亚洲的程序员是很不友好的。解决该问题的方法是，在源码文件的顶部，使用某种特殊的注释方式来表明源码文件的编码。

         为了表明源码文件的编码，这种特殊的注释必须位于源码文件的第一行或第二行，类似于：

#coding=  

或：

#!/usr/bin/python
# -*- coding: -*-

或：

#!/usr/bin/python
# vim: setfileencoding= :

         这种方式的本质是：文件的第一行或第二行必须能匹配正则表达式：

” coding[:=]\s*([-\w.]+)”，该表达式中的group1就会被解释为编码名称，如果Python无法识别该编码，则在编译时就会报错。

         像Windows这样的平台，会在Unicode文件的最开始加上BOM字节码，UTF-8文件的字节码是：”xef\xbb\xbf”。为了兼容这种方式，包含这种字节码的文件，即使没有字节编码注释，也会被解释为”utf-8”。如果一个源码文件，既有编码注释，又有UTF-8的BOM字节码，则在编码注释中的编码名称只能是”utf-8”（”utf8”都不行），否则会报错：

“SyntaxError: encodingproblem: utf-8”。

        

         下面是一些使用编码注释的例子：

         1. Emacs风格的文件编码注释：

         #!/usr/bin/python
         # -*- coding: latin-1 -*-
         import os, sys
         ...

         #!/usr/bin/python
         # -*- coding: iso-8859-15 -*-
         import os, sys
         ...

 

         #!/usr/bin/python
         # -*- coding: ascii -*-
         import os, sys
         ...

 

         2. 使用纯文本方式的注释:

         # This Python file uses the following encoding:utf-8
         import os, sys
         ...

 

         3. 没有编码注释，则Python解释器默认使用ASCII。

         如果没声明编码，但是文件中又包含非ASCII编码的字符的话，python解析器去解析的python文件，就会报错。

         #!/usr/local/bin/python
         import os, sys
         ...

 

         4. 下面这些语法不起作用

         没有加”coding:”前缀：

         #!/usr/local/bin/python
         # latin-1
         import os, sys
         ...

         编码方式不在第一行或第二行：

         #!/usr/local/bin/python
         #
         # -*- coding: latin-1 -*-
         import os, sys
         ...

         不支持的编码方式：

         #!/usr/local/bin/python
         # -*- coding: utf-42 -*-
         import os, sys
         ...

         5：注意：

         允许的编码方式包括ASCII兼容编码以及某些多字节编码，比如SHIFT_JIS。但不包括为所有字符都是有双字节或者更多字节的编码，比如UTF-16（注：也就是通常说的Unicode，但SHIFT_JIS也好，GBK也好，因为兼容ASCII编码，所以都可以在Python源文件里使用）。

         如果声明的编码与实际不符（就是说，文件实际上是以另外的编码保存的），出错的可能性很大。

 

         文件的编码格式决定了在该源文件中声明的字符串的编码，str = '哈哈'

print repr(str)

a.如果文件格式为utf-8，则str的值为：'\xe5\x93\x88\xe5\x93\x88'（哈哈的utf-8编码）

b.如果文件格式为gbk，则str的值为：'\xb9\xfe\xb9\xfe'（哈哈的gbk编码）

 

三：str和unicode

         str和unicode都是basestring的子类。编码是指unicode-->str，解码是指str-->unicode。

         str是一个字节数组，这个字节数组表示的是对unicode对象编码(可以是utf-8、gbk、cp936、GB2312)后的存储的格式。这里它仅仅是一个字节流，没有其它的含义，如果你想使这个字节流显示的内容有意义，就必须用正确的编码格式，解码显示。 对UTF-8编码的str'哈哈'使用len()函数时，结果是6，因为实际上，UTF-8编码的'哈哈' == '\x e5\x93\x88\xe5\x93\x88'。

         unicode才是真正意义上的字符串，对字节串str使用正确的字符编码进行解码后获得，例如'哈哈'的unicode对象为 u'\u54c8\u54c8' ,len(u”哈哈”) == 2

         字符串在Python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。 

         decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode('gb2312')，表示将gb2312编码的字符串str1转换成unicode编码。 

         encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode('gb2312')，表示将unicode编码的字符串str2转换成gb2312编码。 

         因此，转码的时候一定要先搞明白，字符串str是什么编码，然后decode成unicode，然后再encode成其他编码

 

str.decode([encoding[, errors]])

         使用encoding指示的编码，对str进行解码，返回一个unicode对象。默认情况下encoding是“字符串默认编码”，比如ascii。

errors指示如何处理解码错误，默认情况下是”strict”，也就是遇到解码错误时，直接抛出UnicodeError异常。其他的errors值可以有”ignore”，”replace”等。

 

unicode(object[, encoding[, errors]])

         与str.decode作用相同，但是该方法要快一些：http://stackoverflow.com/questions/440320/unicode-vs-str-decode-for-a-utf8-encoded-byte-string-python-2-x

 

str.encode([encoding[, errors]])

         返回一个经encoding编码后的str对象，默认的encoding是”默认字符串编码”。

errors指示如何处理解码错误，默认情况下是”strict”，也就是遇到解码错误时，直接抛出UnicodeError异常。其他的errors值可以有”ignore”，”replace”，'xmlcharrefreplace', 'backslashreplace'等。

 

         一般情况下，对Unicode对象进行编码encode()，返回str对象。对str对象调用解码decode()，返回unicode对象。

         但是对str调用encode也不会报错，str.encode()实际上就等价于str.decode(sys.defaultencoding).encode().而sys.defaultencoding一般是ascii。

         同样的，对unicode对象进行解码unicode.decode实际上就等价于unicode.encode(sys.defaultencoding).decode()

 

四：示例

         英文字符的ASCII、UTF-8、GBK等编码都是一样的，因此下面的示例仅讨论汉字的情况。并且保证源码文件的实际编码方式，和编码注释是一样的。

         1：文件为默认编码（ASCII），无编码注释

astr ="哈哈"

         运行文件，报错：SyntaxError: Non-ASCII character '\xb9' in file 2.py on line 2, butno encoding declared; seehttp://www.python.org/peps/pep-0263.htmlfor details

 

         原因：默认的文件编码为ASCII，这种编码无法处理汉字，将文件保存为GBK或者UTF-8格式，并相应的注释声明。

 

         2：文件编码为UTF-8

# -*- coding:UTF-8 -*-
def toHexString(s):
    return ":".join("{0:x}".format(ord(c))for c in s)
 
ustr =u"哈哈"
print repr(ustr)
print ustr, "len is ",len(ustr)
print
 
astr ="哈哈"
ustr =astr.decode("UTF-8")
print repr(ustr)
print ustr, "len is ",len(ustr)

         运行文件，结果为：

u'\u54c8\u54c8'

哈哈 len is  2

 

u'\u54c8\u54c8'

哈哈 len is  2

         可见，上下两种方式，其实是等价的，在源码文件中直接使用u”...”编写Unicode字符串，使用文件的注释编码，将该str解码为Unicode：

         Python supports writing Unicode literals in anyencoding, but you have to declare the encoding being used. This is done byincluding a special comment as either the first or second line of the sourcefile。

（https://docs.python.org/2/howto/unicode.html#the-unicode-type）

 

         3：文件为UTF-8编码，

# -*- coding:utf-8 -*-
 
astr ="哈哈"
print repr(astr)
print astr, "len is ",len(astr)
print
 
ustr =astr.decode("gbk")
print repr(ustr)
print ustr, "len is ",len(ustr)

 

         运行文件，结果如下：

'\xe5\x93\x88\xe5\x93\x88'

鍝堝搱 len is  6

         （第一行输出：因为文件为UTF-8编码，所以输出”哈哈”的UTF-8编码）

         （第二行输出：因为print语句它的实现是将要输出的内容传送给终端，终端会根据默认的编码（GBK）对输入的字节流进行解释，因为 '\xe5\x93\x88\xe5\x93\x88'用GBK去解释，其显示的出来就是“鍝堝搱”，而且，该str的长度就是编码的长度，为6）

 

u'\u935d\u581d\u6431'

鍝堝搱 len is  3

         （第一行输出：因为文件是UTF-8编码，但是却用GBK对“哈哈”，也就是'\xe5\x93\x88\xe5\x93\x88'进行解码，所以输出错误）

         （第二行输出：Python在向控制台输出unicode对象的时候会自动根据输出环境的编码（GBK）进行转换，而如果输出的不是unicode对象而是普通的str字符串，则会直接按照该字符串的编码输出字符串(http://noalgo.info/578.html)。所以，printustr就等价于print astr了。如果将ustr = astr.decode("gbk") 替换成 ustr =astr.decode("UTF-8")，则输出：

u'\u54c8\u54c8'

哈哈 len is  2

54c8:54c8

         这是因为将astr按照文件编码注释声明的编码方式进行解码，解码成Unicode之后，print时又自动进行GBK编码，所以会输出正确的字符）

 

         4：打开具有汉字的文件：

         文件名可以包含Unicode字符，操作系统在处理这样的文件时，将Unicode字符根据某种编码进行处理，比如Max OS X使用UTF-8编码，而Windows上的编码是可配置的，用”mbcs”来表示当前的编码。

         sys.getfilesystemencoding()函数可以得到当前文件系统使用的编码，但是其实可以不用管这些，当需要打开一个包含汉字的文件时，直接使用Unicode字符即可，这样它会自动转换为正确的编码字符串：

# -*- coding:UTF-8 -*-
 
#astr = "哈哈.txt".decode("UTF-8")
#astr = u"哈哈.txt"
astr ="哈哈.txt".decode("UTF-8").encode("GBK")
try:
    with open(astr) asfobj:
        print fobj.read()
except Exception, e:
    print "error is ",e

         上面这三种方式，都可以正确打开该文件。

 

参考：

http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html

http://www.cnblogs.com/huxi/articles/1897271.html

https://www.python.org/dev/peps/pep-0263/

http://www.crifan.com/files/doc/docbook/char_encoding/release/html/char_encoding.html

http://www.jb51.net/article/26543.htm

http://www.jb51.net/article/17560.htm