QingZhi's Blog

Persistence is not easy

0%

Python2—_编码问题

Posted on Edited on In , Views: Valine:

python2编码问题

[Github相关解释][https://github.com/solomonxie/solomonxie.github.io/issues/24]

[知乎相关解释][https://zhuanlan.zhihu.com/p/39210353]

[简书相关解释][https://www.jianshu.com/p/19c74e76ee0a]

最近在调试python2过程中经常出现编码的问题，尤其是将python3程序重构为python2程序过程中出现的问题。

问题一：编码本身有什么不同

  • 这在字符编码.md文件中已经有了清晰的解释

问题二：python2处理中文时为什么总是会出现乱码

  • encode与decode两者需要明确区分
  • 对应的字符与字节也需要区分

带着以上两个问题看到了相关的解释，特记录如下：

1.字符与字节问题

字符与字节之间并不是同等地位。

字符串：由字符组成的序列

字符：字符是人使用的符号，是一种人所认知的单位。例如：“中” ， “1” ，“￥”等等

  • 在python3中，str对象中获取的元素是Unicode字符

  • 在python2中，str对象中获取的原始字节序列

可以看到同样是str对象，python2中其实是字节，python3中是字符

字节：字节是计算机所使用的符号，是8位的二进制数字。例如 0x01,01010101,0b45

不同编码体制中，字符与字节拥有着不同的对应关系：

  1. ASCII码： 一个英文字母（不分大小写）占一个字节的空间，一个中文汉字占两个字节的空间。一个二进制数字序列，在计算机中作为一个数字单元，一般为8位二进制数，换算为十进制。最小值0，最大值255。

  2. UTF-8：一个英文字符=一个字节，一个中文（含繁体）=三个字节。

    已知UTF-8编码是UNICODE编码的实现形式的一种，Unicode规定了世界上所有的符号与二进制的对应关系，但是其实现形式多种多样，比如UTF-8,UTF-16等等。

    Unicode才是真正的（人）字符串，而用ASCII、UTF-8、GBK等字符编码表示的是字节串。

    从这个角度理解unicode就是CAMEO，utf-8就是VerbDic.

2.encode与decode

encode与decode分别对应

encode: 将人类可识别的字符转换为机器可识别的字节码，字符到字节的过程。

decode:**就是将机器可识别的字节码转换成人类可识别的字符，字节到字符的过程**。

3.python中的默认编码

3.1 Python源代码的执行过程

我们都知道，磁盘上的文件都是以二进制格式存放的，其中文本文件都是以某种特定编码的字节形式存放的。对于程序源代码文件的字符编码是由编辑器指定的，比如我们使用Pycharm来编写Python程序时会指定工程编码和文件编码为UTF-8，那么Python代码被保存到磁盘时就会被转换为UTF-8编码对应的字节（encode过程）后写入磁盘。

当执行Python代码文件中的代码时，Python解释器在读取Python代码文件中的字节串之后，需要将其转换为Unicode字符串（decode过程）之后才执行后续操作。

3.2默认编码

如果我们没有在代码文件指定字符编码，Python解释器会使用哪种字符编码把从代码文件中读取到的字节转换为Unicode字符串呢？就像我们配置某些软件时，有很多默认选项一样，需要在Python解释器内部设置默认的字符编码来解决这个问题，这就是“默认编码”。

Python2和Python3的解释器使用的默认编码是不一样的，我们可以通过sys.getdefaultencoding()来获取默认编码：

  • Python2:ascii
  • Python3:utf-8

3.3 python2与python3处理文件

对于Python2来讲，Python解释器在读取到中文字符的字节码时，会先查看当前代码文件头部是否指明字符编码是什么。如果没有指定，则使用默认字符编码”ASCII”进行解码，导致中文字符解码失败，出现如下错误

1
2
SyntaxError:Non-ASCII character '\xc4' in file xxx.py on line 11, but no encoding declared;
see http://python.org/dev/peps/pep-0263/ for details

对于Python3来讲，执行过程是一样的，只是Python3的解释器以”UTF-8”作为默认编码，但是这并不表示可以完全兼容中文问题。比如我们在Windows上进行开发时，Python工程及代码文件都使用的是默认的GBK编码，也就是说Python代码文件是被转换成GBK格式的字节码保存到磁盘中的。Python3的解释器执行该代码文件时，试图用UTF-8进行解码操作时，同样会解码失败，出现如下错误：

1
2
SyntaxError:Non-UTF-8 code starting with '\xc4' in file xx.py on line 11, but no encodingdeclared; 
see http://python.org/dev/peps/pep-0263/ for details

4. Python2 Python3对字符串的支持

4.1 Python2

Python2中对字符串的支持由以下三个类别提供：

1
2
3
class basestring(object)
class str(basestring)
class unicode(basestring)

其中basestring类是str类与unicode类的父类。

  • str其实是字节串，它是unicode经过编码后的字节组成的序列。

    对UTF-8编码的str’汉’使用len()函数时，结果是3，因为UTF-8编码的’汉’==’\xE6\xB1\x89’。

  • 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，并且len(u’汉’)==1。

4.2 Python3

Python3中对字符串的支持进行了实现类层次的上简化，去掉了unicode类，添加了一个bytes类。从表面上来看，可认为Python3中的str和unicode合二为一了。

1
2
class bytes(object)
class str(object)

实际上，Python3中已经意识到之前的错误，开始明确区分字符串与字节。

因此Python3中的str已经是真正的字符串，而字节是用单独的bytes类来表示。

也就是说，Python3默认定义的就是字符串，实现了对Unicode的内置支持，减轻了程序员对字符串处理的负担。

1
2
3
4
5
6
7
8
#!/usr/bin/env python
#-*- coding:utf-8 -*- 
a = '你好'
b = u'你好'
c = '你好'.encode('gbk') 
print(type(a),len(a))         # output:<class'str'> 2
print(type(b),len(b))         # output:<class'str'> 2
print(type(c),len(c))         # output:<class'bytes'> 4

4.3 字符与字节转换

4.3的名称我自己起的，合不合适的我们再看

  • 单个字符的encode：

    Python提供了ord()函数获取字符的整数表示，chr()函数把编码转换为对应的字符：

    1
    2
    3
    4
    5
    6
    7
    8
    >>> ord('A')
    65
    >>> ord('中')
    20013
    >>> chr(97)
    'a'
    >>> chr(20013)
    '中'

    如果知道字符的整数编码，还可以用十六进制这么写字符：

    1
    2
    >>> '\u4e2d\u6587'
    '中文'

  • 字符.encode() = 字节

    Python3的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节。如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes。

    Python对bytes类型的数据用带b前缀的单引号或双引号表示：x = b’ABC’。

    要注意区分’ABC’和b’ABC’，前者是str，后者虽然内容显示得和前者一样，但bytes的每个字符都只占用一个字节。

    以Unicode表示的str通过encode()方法可以编码为指定的bytes，例如：

    1
    2
    3
    4
    5
    6
    7
    8
    >>> 'ABC'.encode('ascii')
    b'ABC'
    >>> '中文'.encode('utf-8')
    b'\xe4\xb8\xad\xe6\x96\x87'
    >>> '中文'.encode('ascii')
    Traceback (most recent call last):
    File "<stdin>", line 1, in <module>
    UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

    • 常见的中文报错问题愿意：

      纯英文的str可以用ASCII编码为bytes，内容是一样的，含有中文的str可以用UTF-8编码为bytes。中文的str无法用ASCII编码，因为中文编码的范围超过了ASCII编码的范围，Python会报错。

  • 字节.decode() = 字符：

    反过来，如果我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。要把bytes变为str，就需要用decode()方法：

    1
    2
    3
    4
    >>> b'ABC'.decode('ascii')
    'ABC'
    >>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
    '中文'

    要计算str包含多少个字符，可以用len()函数：

    1
    2
    3
    4
    >>> len('ABC')
    3
    >>> len('中文')
    2

    en()函数计算的是str的字符数，如果换成bytes，len()函数就计算字节数：

    1
    2
    3
    4
    5
    6
    >>> len(b'ABC')
    3
    >>> len(b'\xe4\xb8\xad\xe6\x96\x87')
    6
    >>> len('中文'.encode('utf-8'))
    6

    5.Python2 Python3字符编码的转换

    Unicode字符串可以与任意字符编码的字节串进行相互转换：

从上图可以看出不同字节编码之间是可以通过Unicode来实现相互转换的。

  • Python2中的字符串进行字符编码转换过程是：

    字节串(Python2的str默认是字节串)–>decode(‘原来的字符编码’)–>Unicode字符串–>encode(‘新的字符编码’)–>字节串

1
2
3
4
5
6
#!/usr/bin/env python2
#-*- coding:utf-8 -*- 
utf_8_a = '我爱中国'
gbk_a = utf_8_a.decode('utf-8').encode('gbk')
print(gbk_a.decode('gbk'))
# 输出结果：我爱中国

  • Python3中定义的字符串默认就是unicode，因此不需要先解码，可以直接编码成新的字符编码：

    字符串(str就是Unicode字符串)–>encode(‘新的字符编码’)–>字节串

1
2
3
4
5
6
#!/usr/bin/env python3
#-*- coding:utf-8 -*- 
utf_8_b = '我爱中国'
gbk_b = utf_8_b.encode('gbk')
print(gbk_b.decode('gbk'))
# 输出结果：我爱中国

6.Python2 中乱码问题的解决方案

6.1 不要相信Print()结果

print()函数本身是加工后给人看的,不管给它什么样子的编码格式文件，都可以打印出来。

这也就意味着print()，并没有展示变量的本质。

可以选择 jupyter中

这里是Python2

1
2
3
>>> chinese = '中文'
>>> chinese 
'\xe4\xb8\xad\xe6\x96\x87'

6.2 Python2中“字符串”两大阵容

unicode和str

如果type(字符串)显示结果是str，其实指的是bytes字节码。

由上面的内容我们已经理解当前python2中str对象与unicode对象分别代表：字节与字符

  • encoding与decoding

    从unicode转换到str，这个叫encoding，编码。
    从str转换到unicode，这个叫decoding，解码。

  • 案例

    Python2

6.3 具体统一方案

见[剩余内容][https://segmentfault.com/a/1190000013202801]

这里的统一方案无非就是按照字符处理文件还是按照字节处理文件，何时进行decode何时encode的问题。

做个给出了一个方案，但我目前并没有采用，这里不详细写