win、py、notepad++的編碼方式及問題

標籤：

win、py、notepad++的編碼方式及問題先說結論：

• 因為win的cmd預設使用的編碼方式是gbk(ANSI) 所以遇到bat或者python中的中文需要在cmd中print顯示時，如果出現亂碼，首先需要檢查是否因為不是 1. gbk編碼的中文或2. 在代碼中被轉換為gbk編碼或3. 在python代碼中是unicode對象。

• 別在win下用內建的文字文件編輯器開啟utf-8編碼的檔案並儲存，因為win預設會在utf-8編碼的內容中加BOM，只是查看還沒問題因為不儲存不會自動加BOM，但是如果儲存的話就win就會自動的加BOM

• 注意notepad++的設定，即 設定->喜好設定->建立中建立文檔的預設編碼方式，推薦還是按照win預設的ANSI儲存，否則建立的utf-8文檔若被內建的文檔編輯器開啟，就會自動加BOM，導致一些未可知的運行錯誤

• 對於在win下用notepad++寫.py 雖然不會有被開啟編輯導致加BOM的問題，但是因為有時會需要在cmd中顯示，所以最好還是不要用utf-8編碼，用ANSI即gbk編碼吧

• python代碼前面添加的 #!coding=utf-8或者 #!coding=gbk等表示編碼方式的含義是給python的解譯器看的，結論就是最好與文檔本身的編碼方式相吻合，對於win下面的python代碼，也就是最好是#!coding=gbk
  

ok,說完了上面的結論，開始說一下具體的細節。

寫這個文檔的原因是因為在notepad++寫python代碼時遇到的一個問題：

1 前情提要：

• 在notepad++中安裝了python Script外掛程式使得可以使用notepad++作為一個IDE編輯器。
• 因為之前寫的一些python代碼涉及到中文路徑，以及一些中文注釋，所以在notepad++中直接用了#!coding=utf-8 ，但是.py檔案本身的編碼方式還是預設的gbk。
• 之前在notepad++的設定中設定了使用utf-8應用於開啟ANSI檔案,這是個很奇怪的功能，就是說檔案本身編碼的方式還是gbk，但是notepad++開啟後先轉碼成了utf-8並顯示，然後在儲存的時候還是按原來的方式，即gbk的編碼儲存，引起了後面分析一系列的誤解，之後再詳細說明。

2 問題出現的情形：

• 本身這種“編碼關係錯亂”的python代碼直接在notepad++中編輯並使用Python Script運行或直接使用python的解譯器運行時是沒問題的，也就是說—-中文路徑可以識別，且能夠正確讀出路徑中的檔案等
• 將這種代碼使用pycharm開啟，在IDE中顯示代碼中的中文就變成了亂碼，同時，也無法運行了。

3 問題的分析：3.1 字元的編碼方式

* ASCII碼*

八個二進位位(bit)可以組合出256種狀態，這被稱為一個位元組（byte）。也就是說，一個位元組一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從0000000到11111111。

ASCII碼一共規定了128個字元的編碼，比如空格”SPACE”是32（二進位00100000），大寫的字母A是65（二進位01000001）。這128個符號（包括32個不能列印出來的控制符號），只佔用了一個位元組的後面7位，最前面的1位統一規定為0。

非ASCII編碼

英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用ASCII碼錶示。於是，一些歐洲國家就決定，利用位元組中閑置的最高位編入新的符號。比如，法語中的é的編碼為130（二進位10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。 但是，這裡又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (?)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0–127表示的符號是一樣的，不一樣的只是128–255的這一段。

至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個位元組只能表示256種符號，肯定是不夠的，就必須使用多個位元組表達一個符號。比如，簡體中文常見的編碼方式是GB2312，使用兩個位元組表示一個漢字，所以理論上最多可以表示256x256=65536個符號。 中文編碼的問題需要專文討論，這篇筆記不涉及。這裡只指出，雖然都是用多個位元組表示一個符號，但是GB類的漢字編碼與後文的Unicode和UTF-8是毫無關係的。

Unicode

正如上一節所說，世界上存在著多種編碼方式，同一個位元字可以被解釋成不同的符號。因此，要想開啟一個文字檔，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什麼電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。

可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。 Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字”嚴”。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。 需要注意的是，Unicode只是一個符號集，它只規定了符號的二進位代碼，卻沒有規定這個二進位代碼應該如何儲存。

比如，漢字”嚴”的unicode是十六進位數4E25，轉換成位元足足有15位（100111000100101），也就是說這個符號的表示至少需要2個位元組。表示其他更大的符號，可能需要3個位元組或者4個位元組，甚至更多。

這裡就有兩個嚴重的問題，第一個問題是，如何才能區別Unicode和ASCII？電腦怎麼知道三個位元組表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個位元組表示就夠了，如果Unicode統一規定，每個符號用三個或四個位元組表示，那麼每個英文字母前都必然有二到三個位元組是0，這對於儲存來說是極大的浪費，文字檔的大小會因此大出二三倍，這是無法接受的。 它們造成的結果是：1）出現了Unicode的多種儲存方式，也就是說有許多種不同的二進位格式，可以用來表示Unicode。2）Unicode在很長一段時間內無法推廣，直到互連網的出現。

UTF-8

互連網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互連網上使用最廣的一種Unicode的實現方式。其他實現方式還包括UTF-16（字元用兩個位元組或四個位元組表示）和UTF-32（字元用四個位元組表示），不過在互連網上基本不用。重複一遍，這裡的關係是，UTF-8是Unicode的實現方式之一。 UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個位元組表示一個符號，根據不同的符號而變化位元組長度。 UTF-8的編碼規則很簡單，只有二條：
1. 對於單位元組的符號，位元組的第一位設為0，後面7位為這個符號的unicode碼。因此對於英語字母，UTF-8編碼和ASCII碼是相同的。
2. 對於n位元組的符號（n>1），第一個位元組的前n位都設為1，第n+1位設為0，後面位元組的前兩位一律設為10。剩下的沒有提及的二進位位，全部為這個符號的unicode碼。

下表總結了編碼規則，字母x表示可用編碼的位。

5. Unicode符號範圍 | UTF-8編碼方式6. (十六進位) | （二進位）7. --------------------+---------------------------------------------8. 0000 0000-0000 007F | 0xxxxxxx9. 0000 0080-0000 07FF | 110xxxxx 10xxxxxx10. 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx11. 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

跟據上表，解讀UTF-8編碼非常簡單。如果一個位元組的第一位是0，則這個位元組單獨就是一個字元；如果第一位是1，則連續有多少個1，就表示當前字元佔用多少個位元組。

下面，還是以漢字”嚴”為例，示範如何?UTF-8編碼。 已知”嚴”的unicode是4E25（100111000100101），根據上表，可以發現4E25處在第三行的範圍內（0000 0800-0000 FFFF），因此”嚴”的UTF-8編碼需要三個位元組，即格式是”1110xxxx 10xxxxxx 10xxxxxx”。然後，從”嚴”的最後一個二進位位開始，依次從後向前填入格式中的x，多出的位補0。這樣就得到了，”嚴”的UTF-8編碼是”11100100 10111000 10100101”，轉換成十六進位就是E4B8A5。

win下的編碼與編碼格式轉換

通過上一節的例子，可以看到”嚴”的Unicode碼是4E25，UTF-8編碼是E4B8A5，兩者是不一樣的。它們之間的轉換可以通過win的記事本實現。

開啟檔案後，點擊”檔案”菜單中的”另存新檔”命令，會跳出一個對話方塊，在最底部有一個”編碼”的下拉條。

裡面有四個選項：ANSI，Unicode，Unicode big endian 和 UTF-8。
1. ANSI是預設的編碼方式。對於英文檔案是ASCII編碼，對於簡體中文檔案是GB2312編碼（只針對Windows簡體中文版，如果是繁體中文版會採用Big5碼）。
2. Unicode編碼指的是UCS-2編碼方式，即直接用兩個位元組存入字元的Unicode碼。這個選項用的little endian格式。（也就是說win下這樣轉換是little endian，但是從讀取順序來看這是反的，下面會有說明）
3. Unicode big endian編碼與上一個選項相對應。我在下一節會解釋little endian和big endian的涵義。
4. UTF-8編碼，也就是上一節談到的編碼方法。
5. 選擇完”編碼方式”後，點擊”儲存”按鈕，檔案的編碼方式就立刻轉換好了。

Little endian和Big endian 上一節已經提到，Unicode碼可以採用UCS-2格式直接儲存。以漢字”嚴”為例，Unicode碼是4E25，需要用兩個位元組儲存，一個位元組是4E，另一個位元組是25。儲存的時候，4E在前，25在後，就是Big endian方式；25在前，4E在後，就是Little endian方式。 因此，第一個位元組在前，就是”大頭方式”（Big endian），第二個位元組在前就是”小頭方式”（Little endian）。

那麼很自然的，就會出現一個問題：電腦怎麼知道某一個檔案到底採用哪一種方式編碼？ Unicode規範中定義，每一個檔案的最前面分別加入一個表示編碼順序的字元，這個字元的名字叫做”零寬度非換行空格”（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個位元組，而且FF比FE大1。
1. 如果一個文字檔的頭兩個位元組是FE FF，就表示該檔案採用大頭方式；
2. 如果頭兩個位元組是FF FE，就表示該檔案採用小頭方式。

試用”我”舉例：

**big edidon  FE FF**我：\u 62 11o:  \u 00 6F**small edidon FF FE**我：\u 11 62o:  \u 6F 00**utf-8**我： E6 88 91o:   6FPS:對於win系統，是會出現bom標識符的，也就是EF BB BF**ANSI(對於win系統，就是預設的gbk或gb2312方式)**我：CE D2o：6F

ps：網上有一些這種文字編碼轉換的網站，但是網上的轉換因為瀏覽器的編碼問題 一般顯示時候很容易出錯，可以以這些測試

3.2 notepad++中字元的編碼

既然瞭解了這些編碼方式，如何而我的儲存為gbk的#！coding=utf-8的文檔究竟是什麼格式呢，在這裡嘗試使用查看檔案二進位編碼的程式進行查看，然後就發現一個很奇怪的現象—-將檔案本身拖到二進位查看器，比如beyond compare中時，顯示的是gbk編碼（因為中文的”我”是CE D2 ，但在notepad++中用hex外掛程式卻發現顯示的是utf-8編碼。一開始以為是notepad++會自動根據檔案頭上#！coding=utf-8調整字元的編碼方式，結果真相卻是在這個文章最前面所說的建立文檔的預設編碼方式中選擇了使用utf-8開啟gbk編碼檔案。

因此，在notepad++中所有編碼為gbk的檔案開啟後在顯示是都被轉換到utf-8的編碼，所以在notepad++中的hex外掛程式顯示檔案是utf-8的編碼以及在notepad++中點擊以ANSI顯示會出現亂碼 但是退出的時候還是還原到gbk

解決方案：取消上面所說的這個選項，具體參見本文開頭

3.3 python中字元的編碼

在本節，以’哈’來解釋作樣本解釋所有的問題，”哈”的各種編碼如下：

 UNICODE (UTF8-16):       C854；UTF-8:                              E59388；GBK:                                 B9FE。

3.3.1 python中的str和unicode

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：

對於unicode對象哈哈進行編碼，編碼成一個utf-8編碼的str—-s_utf8，s_utf8就是是一個位元組數組，存放的就是’\xe5\x93\x88\xe5\x93\x88’，但是這僅僅是一個位元組數組，但是如果將utf-8編碼的位元組數組直接print，就會顯示亂碼，為什麼？

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”。

同時，因為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（也就是中直接輸出su編碼正常的原因）。

3.3.2 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

3.3.3 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: “abc中文”

用python來讀取

# coding=gbkprint open("Test.txt").read()結果：abc中文把檔案格式改成UTF-8：結果：abc涓枃

顯然，如果檔案格式不是gbk，需要解碼：

# coding=gbkimport codecsprint open("Test.txt").read().decode("utf-8")結果：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：

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

原來，某些軟體，如記事本，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：

# coding=gbkimport codecsdata = open("Test.txt").read()if data[:3] == codecs.BOM_UTF8: data = data[3:]print data.decode("utf-8")結果：abc中文

3.3.4檔案的編碼格式和編碼聲明的作用

源檔案的編碼格式和對字串的聲明有什麼作用呢？

先說檔案編碼格式：檔案的編碼格式決定了在該源檔案中字串的編碼格式

而編碼聲明的作用:即每個檔案在最上面的地方的# coding=gbk ，作用有三：
1. 聲明源檔案中將出現非ascii編碼，通常也就是中文；
2. 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。（如pycharm）
3. 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：

 #coding:gbk ss = u‘哈哈‘ print repr(ss) 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：

u‘\u54c8\u54c8‘ ss:哈哈

但是實際上輸出是：

    u‘\u935d\u581d\u6431‘ 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：```python #!coding=utf-8 ss = u‘哈哈‘ print repr(ss) print ‘ss:%s‘ % ss<div class="se-preview-section-delimiter"></div>

將這個樣本這次儲存成GBK編碼形式，運行結果，竟然是：


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，
1. 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’

1. 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，它在utf8編碼錶中根本不存在，所以會報上述錯誤。

因此，一切都清楚了—-

總結

1. notepad++不會根據檔案頭上的#！coding來自動判斷或者改變檔案的編碼方式，這個#！coding是給python的解譯器看的
   2.
   對於在notepad++中寫python輸入中文的問題：
   
   • 如果是先在win中建立一個txt，然後直接改尾碼為py，用notepad++開啟，作為python的代碼進行編寫時， 因為此時note是ANSI編碼的，預設不識別中文，必須要加#!coding=gbk或者#!coding=utf-8什麼的都可以，此時在cmd顯示端顯示的都不是亂碼
   • 如果note已經改成了utf-8編碼的，python似乎可以直接識別，在前面不用加#!coding也可以，不過因為cmd顯示端是gbk的編碼，如果想要顯示不是亂碼，可以先.decode(‘utf-8’)轉化為unicode或者直接在中文前u’中文’
2. pycharm開啟亂碼的問題就是因為之前在notepad++中聲明和編碼不一致，而pycharm會根據聲明來對文檔進行編碼，至此，還是推薦在win下面統一用gbk編碼吧

win、py、notepad++的編碼方式及問題