Python中文編碼問題

中文編碼問題是用中文的程式員經常頭大的問題，在python下也是如此，那麼應該怎麼理解和解決python的編碼問題呢？

我們要知道python內部使用的是unicode編碼，而外部卻要面對千奇百怪的各種編碼，比如作為中國程式經常要面對的gbk，gb2312，utf8等，那這些編碼是怎麼轉換成內部的unicode呢？

首先我們先看一下原始碼檔案中使用字串的情況。原始碼檔案作為文字檔就必然是以某種編碼形式儲存代碼的，python預設會認為原始碼檔案是asci編碼，比如說代碼中有一個變數賦值：

s1=’a’
print s1

python認為這個’a'就是一個asci編碼的字元。在僅僅使用英文字元的情況下一切正常，但是如果用了中文，比如：

s1=’哈’
print s1

這個代碼檔案被執行時就會出錯，就是編碼出了問題。python預設將代碼檔案內容當作asci編碼處理，但asci編碼中不存在中文，因此拋出異常。

解決問題之道就是要讓python知道檔案中使用的是什麼編碼形式，對於中文，可以用的常見編碼有utf-8，gbk和gb2312等。只需在代碼檔案的最前端添加如下：

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

這就是告知python我這個檔案裡的文本是用utf-8編碼的，這樣，python就會依照utf-8的編碼形式解讀其中的字元，然後轉換成unicode編碼內部處理使用。

不過，如果你在Windows控制台下運行此代碼的話，雖然程式是執行了，但螢幕上列印出的卻不是哈字。這是由於python編碼與控制台編碼的不一致造成的。Windows下控制台中的編碼使用的

是gbk，而在代碼中使用的utf-8，python按照utf-8編碼列印到gbk編碼的控制台下自然就會不一致而不能列印出正確的漢字。

解決辦法一個是將原始碼的編碼也改成gbk，也就是代碼第一行改成：

# -*- coding: gbk -*-

另一種方法是保持源碼檔案的utf-8不變，而是在’哈’前面加個u字，也就是:

s1=u’哈’
print s1

這樣就可以正確列印出’哈’字了。

這裡的這個u表示將後面跟的字串以unicode格式儲存。python會根據代碼第一行標稱的utf-8編碼識別代碼中的漢字’哈’，然後轉換成unicode對象。如果我們用type查看一下’哈’的資料類

型type(‘哈’)，會得到<type ‘str’>，而type(u’哈’)，則會得到<type ‘unicode’>，也就是在字元前面加u就表明這是一個unicode對象，這個字會以unicode格式存在於記憶體中，而如果不加u

，表明這僅僅是一個使用某種編碼的字串，編碼格式取決於python對源碼檔案編碼的識別，這裡就是utf-8。

Python在向控制台輸出unicode對象的時候會自動根據輸出環境的編碼進行轉換，但如果輸出的不是unicode對象而是一般字元串，則會直接按照字串的編碼輸出字串，從而出現上面的現

象。

使用unicode對象的話，除了這樣使用u標記，還可以使用unicode類以及字串的encode和decode方法。

unicode類的建構函式接受一個字串參數和一個編碼參數，將字串封裝為一個unicode，比如在這裡，由於我們用的是utf-8編碼，所以unicode中的編碼參數使用’utf-8′將字元封裝為

unicode對象，然後正確輸出到控制台：

s1=unicode(‘哈’, ‘utf-8′)
print s1

另外，用decode函數也可以將一個一般字元串轉換為unicode對象。很多人都搞不明白python字串的decode和encode函數都是什麼意思。這裡簡要說明一下。

decode是將一般字元串按照參數中的編碼格式進行解析，然後產生對應的unicode對象，比如在這裡我們代碼用的是utf-8，那麼把一個字串轉換為unicode就是如下形式：

s2=’哈’.decode(‘utf-8′)

這時，s2就是一個儲存了’哈’字的unicode對象，其實就和unicode(‘哈’, ‘utf-8′)以及u’哈’是相同的。

那麼encode正好就是相反的功能，是將一個unicode對象轉換為參數中編碼格式的一般字元，比如下面代碼：

s3=unicode(‘哈’, ‘utf-8′).encode(‘utf-8′)

s3現在又變回了utf-8的’哈’。