本節(jié)內(nèi)容：

1.前言

2.相關(guān)概念

3.Python中的默認(rèn)編碼

4.Python2與Python3中對字符串的支持

5.字符編碼轉(zhuǎn)換

一、前言

Python中的字符編碼是個(gè)老生常談的話題，同行們都寫過很多這方面的文章。有的人云亦云，也有的寫得很深入。近日看到某知名培訓(xùn)機(jī)構(gòu)的教學(xué)視頻中再次談及此問題，講解的還是不盡人意，所以才想寫這篇文字。一方面，梳理一下相關(guān)知識，另一方面，希望給其他人些許幫助。

Python2的 默認(rèn)編碼 是ASCII，不能識別中文字符，需要顯式指定字符編碼；Python3的 默認(rèn)編碼 為Unicode，可以識別中文字符。

相信大家在很多文章中都看到過類似上面這樣“對Python中中文處理”的解釋，也相信大家在最初看到這樣的解釋的時(shí)候確實(shí)覺得明白了?？墒菚r(shí)間久了之后，再重復(fù)遇到相關(guān)問題就會覺得貌似理解的又不是那么清楚了。如果我們了解上面說的默認(rèn)編碼的作用是什么，我們就會更清晰的明白那句話的含義。

二、相關(guān)概念

1. 字符與字節(jié)

一個(gè)字符不等價(jià)于一個(gè)字節(jié)，字符是人類能夠識別的符號，而這些符號要保存到計(jì)算的存儲中就需要用計(jì)算機(jī)能夠識別的字節(jié)來表示。一個(gè)字符往往有多種表示方法，不同的表示方法會使用不同的字節(jié)數(shù)。這里所說的不同的表示方法就是指字符編碼，比如字母A-Z都可以用ASCII碼表示（占用一個(gè)字節(jié)），也可以用UNICODE表示（占兩個(gè)字節(jié)），還可以用UTF-8表示（占用一個(gè)字節(jié)）。字符編碼的作用就是將人類可識別的字符轉(zhuǎn)換為機(jī)器可識別的字節(jié)碼，以及反向過程。

UNICDOE才是真正的字符串，而用ASCII、UTF-8、GBK等字符編碼表示的是字節(jié)串。關(guān)于這點(diǎn)，我們可以在Python的官方文檔中經(jīng)?？梢钥吹竭@樣的描述"Unicode string" , " translating a Unicode string into a sequence of bytes"

我們寫代碼是寫在文件中的，而字符是以字節(jié)形式保存在文件中的，因此當(dāng)我們在文件中定義個(gè)字符串時(shí)被當(dāng)做字節(jié)串也是可以理解的。但是，我們需要的是字符串，而不是字節(jié)串。一個(gè)優(yōu)秀的編程語言，應(yīng)該嚴(yán)格區(qū)分兩者的關(guān)系并提供巧妙的完美的支持。JAVA語言就很好，以至于了解Python和PHP之前我從來沒有考慮過這些不應(yīng)該由程序員來處理的問題。遺憾的是，很多編程語言試圖混淆“字符串”和“字節(jié)串”，他們把字節(jié)串當(dāng)做字符串來使用，PHP和Python2都屬于這種編程語言。最能說明這個(gè)問題的操作就是取一個(gè)包含中文字符的字符串的長度：

• 對字符串取長度，結(jié)果應(yīng)該是所有字符串的個(gè)數(shù)，無論中文還是英文
  
• 對字符串對應(yīng)的字節(jié)串取長度，就跟編碼(encode)過程使用的字符編碼有關(guān)了(比如：UTF-8編碼，一個(gè)中文字符需要用3個(gè)字節(jié)來表示；GBK編碼，一個(gè)中文字符需要2個(gè)字節(jié)來表示)

注意：Windows的cmd終端字符編碼默認(rèn)為GBK，因此在cmd輸入的中文字符需要用兩個(gè)字節(jié)表示

>>> # Python2
>>> a = 'Hello,中國' # 字節(jié)串，長度為字節(jié)個(gè)數(shù) = len('Hello,')+len('中國') = 6+2*2 = 10
>>> b = u'Hello,中國' # 字符串，長度為字符個(gè)數(shù) = len('Hello,')+len('中國') = 6+2 = 8
>>> c = unicode(a, 'gbk') # 其實(shí)b的定義方式是c定義方式的簡寫，都是將一個(gè)GBK編碼的字節(jié)串解碼（decode）為一個(gè)Uniocde字符串
>>> 
>>> print(type(a), len(a))
(<type 'str'>, 10)
>>> print(type(b), len(b))
(<type 'unicode'>, 8)
>>> print(type(c), len(c))
(<type 'unicode'>, 8)
>>>

Python3中對字符串的支持做了很大的改動，具體內(nèi)容會在下面介紹。

2. 編碼與解碼

先做下科普：UNICODE字符編碼，也是一張字符與數(shù)字的映射，但是這里的數(shù)字被稱為代碼點(diǎn)(code point), 實(shí)際上就是十六進(jìn)制的數(shù)字。

Python官方文檔中對Unicode字符串、字節(jié)串與編碼之間的關(guān)系有這樣一段描述：

Unicode字符串是一個(gè)代碼點(diǎn)（code point）序列，代碼點(diǎn)取值范圍為0到0x10FFFF（對應(yīng)的十進(jìn)制為1114111）。這個(gè)代碼點(diǎn)序列在存儲（包括內(nèi)存和物理磁盤）中需要被表示為一組字節(jié)(0到255之間的值)，而將Unicode字符串轉(zhuǎn)換為字節(jié)序列的規(guī)則稱為編碼。

這里說的編碼不是指字符編碼，而是指編碼的過程以及這個(gè)過程中所使用到的Unicode字符的代碼點(diǎn)與字節(jié)的映射規(guī)則。這個(gè)映射不必是簡單的一對一映射，因此編碼過程也不必處理每個(gè)可能的Unicode字符，例如：

將Unicode字符串轉(zhuǎn)換為ASCII編碼的規(guī)則很簡單--對于每個(gè)代碼點(diǎn)：

• 如果代碼點(diǎn)數(shù)值<128，則每個(gè)字節(jié)與代碼點(diǎn)的值相同
• 如果代碼點(diǎn)數(shù)值>=128，則Unicode字符串無法在此編碼中進(jìn)行表示（這種情況下，Python會引發(fā)一個(gè)UnicodeEncodeError異常）

將Unicode字符串轉(zhuǎn)換為UTF-8編碼使用以下規(guī)則：

• 如果代碼點(diǎn)數(shù)值<128，則由相應(yīng)的字節(jié)值表示（與Unicode轉(zhuǎn)ASCII字節(jié)一樣）
• 如果代碼點(diǎn)數(shù)值>=128，則將其轉(zhuǎn)換為一個(gè)2個(gè)字節(jié)，3個(gè)字節(jié)或4個(gè)字節(jié)的序列，該序列中的每個(gè)字節(jié)都在128到255之間。

簡單總結(jié)：

• 編碼(encode)：將Unicode字符串（中的代碼點(diǎn))轉(zhuǎn)換特定字符編碼對應(yīng)的字節(jié)串的過程和規(guī)則
• 解碼(decode)：將特定字符編碼的字節(jié)串轉(zhuǎn)換為對應(yīng)的Unicode字符串(中的代碼點(diǎn))的過程和規(guī)則

可見，無論是編碼還是解碼，都需要一個(gè)重要因素，就是特定的字符編碼。因?yàn)橐粋€(gè)字符用不同的字符編碼進(jìn)行編碼后的字節(jié)值以及字節(jié)個(gè)數(shù)大部分情況下是不同的，反之亦然。

三、Python中的默認(rèn)編碼

1. Python源代碼文件的執(zhí)行過程

我們都知道，磁盤上的文件都是以二進(jìn)制格式存放的，其中文本文件都是以某種特定編碼的字節(jié)形式存放的。對于程序源代碼文件的字符編碼是由編輯器指定的，比如我們使用Pycharm來編寫Python程序時(shí)會指定工程編碼和文件編碼為UTF-8，那么Python代碼被保存到磁盤時(shí)就會被轉(zhuǎn)換為UTF-8編碼對應(yīng)的字節(jié)（encode過程）后寫入磁盤。當(dāng)執(zhí)行Python代碼文件中的代碼時(shí)，Python解釋器在讀取Python代碼文件中的字節(jié)串之后，需要將其轉(zhuǎn)換為UNICODE字符串（decode過程）之后才執(zhí)行后續(xù)操作。

上面已經(jīng)解釋過，這個(gè)轉(zhuǎn)換過程（decode，解碼）需要我們指定文件中保存的字節(jié)使用的字符編碼是什么，才能知道這些字節(jié)在UNICODE這張萬國碼和統(tǒng)一碼中找到其對應(yīng)的代碼點(diǎn)是什么。這里指定字符編碼的方式大家都很熟悉，如下所示：

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

2. 默認(rèn)編碼

那么，如果我們沒有在代碼文件開始的部分指定字符編碼，Python解釋器就會使用哪種字符編碼把從代碼文件中讀取到的字節(jié)轉(zhuǎn)換為UNICODE代碼點(diǎn)呢？就像我們配置某些軟件時(shí)，有很多默認(rèn)選項(xiàng)一樣，需要在Python解釋器內(nèi)部設(shè)置默認(rèn)的字符編碼來解決這個(gè)問題，這就是文章開頭所說的“默認(rèn)編碼”。因此大家所說的Python中文字符問題就可以總結(jié)為一句話：當(dāng)無法通過默認(rèn)的字符編碼對字節(jié)進(jìn)行轉(zhuǎn)換時(shí)，就會出現(xiàn)解碼錯(cuò)誤(UnicodeEncodeError)。

Python2和Python3的解釋器使用的默認(rèn)編碼是不一樣的，我們可以通過sys.getdefaultencoding()來獲取默認(rèn)編碼：

>>> # Python2
>>> import sys
>>> sys.getdefaultencoding()
'ascii'

>>> # Python3
>>> import sys
>>> sys.getdefaultencoding()
'utf-8'

因此，對于Python2來講，Python解釋器在讀取到中文字符的字節(jié)碼嘗試解碼操作時(shí)，會先查看當(dāng)前代碼文件頭部是否有指明當(dāng)前代碼文件中保存的字節(jié)碼對應(yīng)的字符編碼是什么。如果沒有指定則使用默認(rèn)字符編碼"ASCII"進(jìn)行解碼導(dǎo)致解碼失敗，導(dǎo)致如下錯(cuò)誤：

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

對于Python3來講，執(zhí)行過程是一樣的，只是Python3的解釋器以"UTF-8"作為默認(rèn)編碼，但是這并不表示可以完全兼容中文問題。比如我們在Windows上進(jìn)行開發(fā)時(shí)，Python工程及代碼文件都使用的是默認(rèn)的GBK編碼，也就是說Python代碼文件是被轉(zhuǎn)換成GBK格式的字節(jié)碼保存到磁盤中的。Python3的解釋器執(zhí)行該代碼文件時(shí)，試圖用UTF-8進(jìn)行解碼操作時(shí)，同樣會解碼失敗，導(dǎo)致如下錯(cuò)誤：

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

3. 最佳實(shí)踐

• 創(chuàng)建一個(gè)工程之后先確認(rèn)該工程的字符編碼是否已經(jīng)設(shè)置為UTF-8
• 為了兼容Python2和Python3，在代碼頭部聲明字符編碼：-*- coding:utf-8 -*-

四、Python2與Python3中對字符串的支持

其實(shí)Python3中對字符串支持的改進(jìn)，不僅僅是更改了默認(rèn)編碼，而是重新進(jìn)行了字符串的實(shí)現(xiàn)，而且它已經(jīng)實(shí)現(xiàn)了對UNICODE的內(nèi)置支持，從這方面來講Python已經(jīng)和JAVA一樣優(yōu)秀。下面我們來看下Python2與Python3中對字符串的支持有什么區(qū)別：

Python2

Python2中對字符串的支持由以下三個(gè)類提供

class basestring(object)
  class str(basestring)
  class unicode(basestring)

執(zhí)行help(str)和help(bytes)會發(fā)現(xiàn)結(jié)果都是str類的定義，這也說明Python2中str就是字節(jié)串，而后來的unicode對象對應(yīng)才是真正的字符串。

#!/usr/bin/env python
# -*- coding:utf-8 -*-

a = '你好'
b = u'你好'

print(type(a), len(a))
print(type(b), len(b))

輸出結(jié)果：

(<type 'str'>, 6)

(<type 'unicode'>, 2)

Python3

Python3中對字符串的支持進(jìn)行了實(shí)現(xiàn)類層次的上簡化，去掉了unicode類，添加了一個(gè)bytes類。從表面上來看，可以認(rèn)為Python3中的str和unicode合二為一了。

class bytes(object)
class str(object)

實(shí)際上，Python3中已經(jīng)意識到之前的錯(cuò)誤，開始明確的區(qū)分字符串與字節(jié)。因此Python3中的str已經(jīng)是真正的字符串，而字節(jié)是用單獨(dú)的bytes類來表示。也就是說，Python3默認(rèn)定義的就是字符串，實(shí)現(xiàn)了對UNICODE的內(nèi)置支持，減輕了程序員對字符串處理的負(fù)擔(dān)。

#!/usr/bin/env python
# -*- coding:utf-8 -*-

a = '你好'
b = u'你好'
c = '你好'.encode('gbk')

print(type(a), len(a))
print(type(b), len(b))
print(type(c), len(c))

輸出結(jié)果：

<class 'str'> 2

<class 'str'> 2

<class 'bytes'> 4

五、字符編碼轉(zhuǎn)換

上面提到，UNICODE字符串可以與任意字符編碼的字節(jié)進(jìn)行相互轉(zhuǎn)換，如圖：

那么大家很容易想到一個(gè)問題，就是不同的字符編碼的字節(jié)可以通過Unicode相互轉(zhuǎn)換嗎？答案是肯定的。

Python2中的字符串進(jìn)行字符編碼轉(zhuǎn)換過程是：

字節(jié)串-->decode('原來的字符編碼')-->Unicode字符串-->encode('新的字符編碼')-->字節(jié)串

#!/usr/bin/env python
# -*- coding:utf-8 -*-


utf_8_a = '我愛中國'
gbk_a = utf_8_a.decode('utf-8').encode('gbk')
print(gbk_a.decode('gbk'))

輸出結(jié)果：

我愛中國

Python3中定義的字符串默認(rèn)就是unicode，因此不需要先解碼，可以直接編碼成新的字符編碼：

字符串-->encode('新的字符編碼')-->字節(jié)串

#!/usr/bin/env python
# -*- coding:utf-8 -*-


utf_8_a = '我愛中國'
gbk_a = utf_8_a.encode('gbk')
print(gbk_a.decode('gbk'))

輸出結(jié)果：

我愛中國

最后需要說明的是，Unicode不是有道詞典，也不是google翻譯器，它并不能把一個(gè)中文翻譯成一個(gè)英文。正確的字符編碼的轉(zhuǎn)換過程只是把同一個(gè)字符的字節(jié)表現(xiàn)形式改變了，而字符本身的符號是不應(yīng)該發(fā)生變化的，因此并不是所有的字符編碼之間的轉(zhuǎn)換都是有意義的。怎么理解這句話呢？比如GBK編碼的“中國”轉(zhuǎn)成UTF-8字符編碼后，僅僅是由4個(gè)字節(jié)變成了6個(gè)字節(jié)來表示，但其字符表現(xiàn)形式還應(yīng)該是“中國”，而不應(yīng)該變成“你好”或者“China”。

前面花了很大的篇幅介紹概念和理論，后面注重實(shí)踐，希望對他人有所幫助。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評論