Python 編碼處理之 str與Unicode的區別與使用

用python處理中文，讀取檔案或訊息時，如果發現亂碼(字串處理，讀寫檔案，print)，大多數人的做法是，調用encode/decode進行調試，並沒有明確思考為何出現亂碼， 今天我們來討論一下如何處理編碼問題。

注意: 以下討論為Python2.x版本, Py3k下未測試

調試時最常出現的錯誤

錯誤1

Traceback (most recent call last): File "", line 1, in  UnicodeDecodeError: ‘ascii‘ codec can‘t decode byte 0xe6 in position 0: ordinal

錯誤2

Traceback (most recent call last): File "", line 1, in  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/encodings/utf_8.py", line 16, in decode     return codecs.utf_8_decode(input, errors, True) UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 0-1: ordinal not in range(128)

首先

必須有大體概念，瞭解下字元集，字元編碼

ASCII | Unicode | UTF-8 | 等等

字元編碼筆記：ASCII，Unicode和UTF-8

str 和 unicode

str和unicode都是basestring的子類

所以有判斷是否是字串的方法

def is_str(s): return isinstance(s, basestring)

str和unicode 轉換

str -> decode(‘the_coding_of_str‘) -> unicode unicode -> encode(‘the_coding_you_want‘) -> str

區別

str是位元組串，由unicode經過編碼(encode)後的位元組組成的

聲明方式

>>> s = ‘中文‘ s = u‘中文‘.encode(‘utf-8‘)  >>> type(‘中文‘) 

求長度(返回位元組數)

>>> u‘中文‘.encode(‘utf-8‘) ‘\xe4\xb8\xad\xe6\x96\x87‘ >>> len(u‘中文‘.encode(‘utf-8‘)) 6

unicode才是真正意義上的字串，由字元組成

聲明方式

>>> s = u‘中文‘ >>> s = ‘中文‘.decode(‘utf-8‘) >>> s = unicode(‘中文‘, ‘utf-8‘)  >>> type(u‘中文‘) 

求長度(返回字元數),在邏輯中真正想要用的

>>> u‘中文‘ u‘\u4e2d\u6587‘ >>> len(u‘中文‘) 2

結論

搞明白要處理的是str還是unicode, 使用對的處理方法(str.decode/unicode.encode)

下面是判斷是否為unicode/str的方法

>>> isinstance(u‘中文‘, unicode) True >>> isinstance(‘中文‘, unicode) False  >>> isinstance(‘中文‘, str) True >>> isinstance(u‘中文‘, str) False

簡單原則：不要對str使用encode，不要對unicode使用decode (事實上可以對str進行encode的，具體見最後，為了保證簡單，不建議)

>>> ‘中文‘.encode(‘utf-8‘) Traceback (most recent call last): File "", line 1, in  UnicodeDecodeError: ‘ascii‘ codec can‘t decode byte 0xe4 in position 0: ordinal not in range(128)  >>> u‘中文‘.decode(‘utf-8‘) Traceback (most recent call last): File "", line 1, in  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/encodings/utf_8.py", line 16, in decode     return codecs.utf_8_decode(input, errors, True) UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 0-1: ordinal not in range(128)

不同編碼轉換,使用unicode作為中間編碼

#s是code_A的str s.decode(‘code_A‘).encode(‘code_B‘)

檔案處理,IDE和控制台

處理流程，可以這麼使用，把python看做一個水池，一個入口，一個出口

入口處，全部轉成unicode, 池裡全部使用unicode處理，出口處，再轉成目標編碼(當然，有例外，處理邏輯中要用到具體編碼的情況)

讀檔案 外部輸入編碼，decode轉成unicode 處理(內部編碼，統一unicode) encode轉成需要的目標編碼 寫到目標輸出(檔案或控制台)

IDE和控制台報錯，原因是print時，編碼和IDE自身編碼不一致導致

輸出時將編碼轉換成一致的就可以正常輸出

>>> print u‘中文‘.encode(‘gbk‘) ???? >>> print u‘中文‘.encode(‘utf-8‘) 中文

建議

規範編碼

統一編碼，防止由於某個環節產生的亂碼

環境編碼，IDE/文字編輯器, 檔案編碼，資料庫資料表編碼

保證代碼源檔案編碼

這個很重要

py檔案預設編碼是ASCII, 在原始碼檔案中，如果用到非ASCII字元，需要在檔案頭部進行編碼聲明 文檔

不聲明的話，輸入非ASCII會遇到的錯誤,必須放在檔案第一行或第二行

File "XXX.py", line 3 SyntaxError: Non-ASCII character ‘\xd6‘ in file c.py on line 3, but no encoding declared; see http://www.python.org/peps/pep-0263.html for details

聲明方法

# -*- coding: utf-8 -*- 或者 #coding=utf-8

若頭部聲明coding=utf-8, a = ‘中文‘ 其編碼為utf-8

若頭部聲明coding=gb2312, a = ‘中文‘ 其編碼為gbk

so, 同一項目中所有源檔案頭部統一一個編碼,並且聲明的編碼要和源檔案儲存的編碼一致(編輯器相關)

在原始碼用作處理的寫入程式碼字串，統一用unicode

將其類型和源檔案本身的編碼隔離開, 獨立無依賴方便流程中各個位置處理

if s == u‘中文‘:  #而不是 s == ‘中文‘     pass #注意這裡 s到這裡時，確保轉為unicode

以上幾步搞定後，你只需要關注兩個 unicode和 你設定的編碼(一般使用utf-8)

處理順序

1. Decode early 2. Unicode everywhere 3. Encode later

相關模組及一些方法

獲得和設定系統預設編碼

>>> import sys >>> sys.getdefaultencoding() ‘ascii‘  >>> reload(sys)  >>> sys.setdefaultencoding(‘utf-8‘) >>> sys.getdefaultencoding() ‘utf-8‘ >>> str.encode(‘other_coding‘)

在python中，直接將某種編碼的str進行encode成另一種編碼str

#str_A為utf-8 str_A.encode(‘gbk‘) 執行的操作是 str_A.decode(‘sys_codec‘).encode(‘gbk‘) 這裡sys_codec即為上一步 sys.getdefaultencoding() 的編碼

‘獲得和設定系統預設編碼‘和這裡的str.encode是相關的，但我一般很少這麼用，主要是覺得複雜不可控,還是輸入明確decode，輸出明確encode來得簡單些

chardet

檔案編碼檢測，下載

>>> import chardet >>> f = open(‘test.txt‘,‘r‘) >>> result = chardet.detect(f.read()) >>> result {‘confidence‘: 0.99, ‘encoding‘: ‘utf-8‘}

\u字串轉對應unicode字串

>>> u‘中‘ u‘\u4e2d‘  >>> s = ‘\u4e2d‘ >>> print s.decode(‘unicode_escape‘) 中  >>> a = ‘\\u4fee\\u6539\\u8282\\u70b9\\u72b6\\u6001\\u6210\\u529f‘ >>> a.decode(‘unicode_escape‘) u‘\u4fee\u6539\u8282\u70b9\u72b6\u6001\u6210\u529f‘

