python 中文亂碼 問題深入分析

標籤：

在本文中，以‘哈‘來解釋作樣本解釋所有的問題，“哈”的各種編碼如下：

  1. UNICODE (UTF8-16)，C854；

  2． UTF-8，E59388；

  3． GBK，B9FE。

一、python中的str和unicode

一直以來，python中的中文編碼就是一個極為頭大的問題，經常拋出編碼轉換的異常，python中的str和unicode到底是一個什麼東西呢？

在python中提到unicode，一般指的是unicode對象。

例如‘哈哈‘的unicode對象為

1. u‘/u54c8/u54c8‘

而str，是一個位元組數組，這個位元組數組表示的是對unicode對象編碼(可以是utf-8、gbk、cp936、GB2312)後的儲存的格式。
這裡它僅僅是一個位元組流，沒有其它的含義，如果你想使這個位元組流顯示的內容有意義，就必須用正確的編碼格式，解碼顯示。

例如：

在這裡 su 是unicode對象，
s_utf8是位元組數組，儲存的是unicode 經過utf8編碼後的位元組，‘/xe5/x93/x88/xe5/x93/x88‘
同樣，s_gbk儲存的是unicode經過gbk編碼後的位元組。

在上面print中，為什麼print s_utf8為亂碼，而print s_gbk就可以顯示的是中文？

因為print語句它的實現是將要輸出的內容傳送了作業系統，作業系統會根據系統的編碼對輸入的位元組流進行編碼，這就解釋了為什麼utf-8格式的字串“哈哈”，輸出的是“鍝堝搱”，因為‘/xe5/x93/x88/xe5/x93/x88‘用GB2312去解釋，其顯示的出來就是“鍝堝搱”。

這裡再強調一下，str記錄的是位元組數組，只是某種編碼的儲存格式，至於輸出到檔案或是列印出來是什麼格式，完全取決於其解碼的編碼將它解碼成什麼樣子。

這裡再對print進行一點補充說明：當將一個unicode對象傳給print時，在內部會將該unicode對象進行一次轉換，轉換成本地的預設編碼（這僅是個人猜測）


二、str和unicode對象的轉換

str和unicode對象的轉換，通過encode和decode實現，具體使用如下：

將GBK‘哈哈‘轉換成unicode，然後再轉換成UTF8

三、設定預設編碼 Setdefaultencoding

 

如的示範代碼所示：

當把s(gbk字串)直接編碼成utf-8的時候，將拋出異常，但是通過調用如下代碼：

1. import sys
3. reload(sys)
5. sys.setdefaultencoding(‘gbk‘)

後就可以轉換成功，為什麼呢？
在python中str和unicode在編碼和解碼過程中，如果將一個str直接編碼成另一種編碼，會先把str解碼成unicode，採用的編碼為預設編碼，一般預設編碼是anscii，所以在上面範例程式碼中第一次轉換的時候會出錯，當設定當前預設編碼為‘gbk‘後，就不會出錯了。

至於reload(sys)是因為Python2.5 初始化後會刪除 sys.setdefaultencoding 這個方法，我們需要重新載入。



四、操作不同檔案的編碼格式的檔案

建立一個檔案test.txt，檔案格式用ANSI，內容為:

1. abc中文

用python來讀取

1. # coding=gbk
3. print open("Test.txt").read()

結果：

1. abc中文

把檔案格式改成UTF-8：

結果：

1. abc涓菡孧

顯然，這裡需要解碼：

1. # coding=gbk
3. import codecs
5. print open("Test.txt").read().decode("utf-8")

結果：

1. abc中文

 

上面的test.txt我是用Editplus來編輯的，但當我用Windows內建的記事本編輯並存成UTF-8格式時，

運行時報錯：

1. Traceback (most recent call last):
3. File "ChineseTest.py", line 3, in 
5. print open("Test.txt").read().decode("utf-8")
7. UnicodeEncodeError: ‘gbk‘ codec can‘t encode character u‘/ufeff‘ in position 0: illegal multibyte sequence

原來，某些軟體，如notepad，在儲存一個以UTF-8編碼的檔案時，會在檔案開始的地方插入三個不可見的字元（0xEF 0xBB 0xBF，即BOM）。

因此我們在讀取時需要自己去掉這些字元，python中的codecs module定義了這個常量：

1. # coding=gbk
3. import codecs
5. data = open("Test.txt").read()
7. if data[:3] == codecs.BOM_UTF8:
9. data = data[3:]
11. print data.decode("utf-8")

結果：

1. abc中文

五、檔案的編碼格式和編碼聲明的作用

源檔案的編碼格式對字串的聲明有什麼作用呢？
這個問題困擾一直困擾了我好久，現在終於有點眉目了，檔案的編碼格式決定了在該源檔案中聲明的字串的編碼格式，例如：

1. str = ‘哈哈‘
3. print repr(str)

a.如果檔案格式為utf-8，則str的值為：‘/xe5/x93/x88/xe5/x93/x88‘（哈哈的utf-8編碼）

b.如果檔案格式為gbk，則str的值為：‘/xb9/xfe/xb9/xfe‘（哈哈的gbk編碼）

在第一節已經說過，python中的字串，只是一個位元組數組，所以當把a情況的str輸出到gbk編碼的控制台時，就將顯示為亂碼：鍝堝搱；而當把b情況下的str輸出utf-8編碼的控制台時，也將顯示亂碼的問題，是什麼也沒有，也許‘/xb9/xfe/xb9/xfe‘用utf-8解碼顯示，就是空白吧。>_<

說完檔案格式，現在來談談編碼聲明的作用吧，每個檔案在最上面的地方，都會用# coding=gbk 類似的語句聲明一下編碼，但是這個聲明到底有什麼用呢？到止前為止，我覺得它的作用也就是三個：


a、聲明源檔案中將出現非ascii編碼，通常也就是中文；
b、在進階的IDE中，IDE會將你的檔案格式儲存成你指定編碼格式。
c、決定源碼中類似於u‘哈‘這類聲明的將‘哈’解碼成unicode所用的編碼格式，也是一個比較容易讓人迷惑的地方，
看樣本：

1. #coding:gbk
2. ss = u‘哈哈‘
4. print repr(ss)
6. print ‘ss:%s‘ % ss

將這個些代碼儲存成一個utf-8文本，運行，你認為會輸出什麼呢？大家第一感覺肯定輸出的肯定是：

1. u‘/u54c8/u54c8‘
3. ss:哈哈

但是實際上輸出是：

1. u‘/u935d/u581d/u6431‘
3. ss:鍝堝搱

為什麼會這樣，這時候，就是編碼聲明在作怪了，在運行ss = u‘哈哈‘的時候，整個過程可以分為以下幾步：

1) 擷取‘哈哈‘的編碼：由檔案編碼格式確定，為‘/xe5/x93/x88/xe5/x93/x88‘（哈哈的utf-8編碼形式）

2) 轉成unicode編碼的時候，在這個轉換的過程中，對於‘/xe5/x93/x88/xe5/x93/x88‘的解碼，不是用utf-8解碼，而是用聲明編碼處指定的編碼GBK，將‘/xe5/x93/x88/xe5/x93/x88‘按GBK解碼，得到就是‘‘鍝堝搱‘‘，
這三個字的unicode編碼就是u‘/u935d/u581d/u6431‘，至止可以解釋為什麼print repr(ss)輸出的是u‘/u935d/u581d/u6431‘了。

好了，這裡有點繞，我們來分析下一個樣本：

1. #-*- coding:utf-8 -*-
3. ss = u‘哈哈‘
5. print repr(ss)
7. print ‘ss:%s‘ % ss

將這個樣本這次儲存成GBK編碼形式，運行結果，竟然是：

1. UnicodeDecodeError: ‘utf8‘ codec can‘t decode byte 0xb9 in position 0: unexpected code byte

這裡為什麼會有utf8解碼錯誤呢？想想上個樣本也明白了，
轉換第一步，因為檔案編碼是GBK，得到的是‘哈哈‘編碼是GBK的編碼‘/xb9/xfe/xb9/xfe‘，
當進行第二步，轉換成unicode的時候，會用UTF8對‘/xb9/xfe/xb9/xfe‘進行解碼，而大家查utf-8的編碼錶會發現，utf8編碼錶（關於UTF-8解釋可參見字元編碼筆記：ASCII、UTF-8、UNICODE）中根本不存在，所以會報上述錯誤。

python 中文亂碼 問題深入分析