前言
曾幾何時(shí) Python 中文亂碼的問題困擾了我很多很多年，每次出現(xiàn)中文亂碼都要去網(wǎng)上搜索答案，雖然解決了當(dāng)時(shí)遇到的問題但下次出現(xiàn)亂碼的時(shí)候又會(huì)懵逼，究其原因還是知其然不知其所以然?，F(xiàn)在有的小伙伴為了躲避中文亂碼的問題甚至代碼中不使用中文，注釋和提示都用英文，我曾經(jīng)也這樣干過(guò)，但這并不是解決問題，而是逃避問題，今天我們一起徹底解決 Python 中文亂碼的問題。

基礎(chǔ)知識(shí)ASCII

很久很久以前，有一群人，他們決定用8個(gè)可以開合的晶體管來(lái)組合成不同的狀態(tài)，以表示世界上的萬(wàn)物。他們看到8個(gè)開關(guān)狀態(tài)是好的，于是他們把這稱為”字節(jié)“。再后來(lái)，他們又做了一些可以處理這些字節(jié)的機(jī)器，機(jī)器開動(dòng)了，可以用字節(jié)來(lái)組合出很多狀態(tài)，狀態(tài)開始變來(lái)變?nèi)?。他們看到這樣是好的，于是它們就這機(jī)器稱為”計(jì)算機(jī)“。開始計(jì)算機(jī)只在美國(guó)用。八位的字節(jié)一共可以組合出256(2的8次方)種不同的狀態(tài)。 他們把其中的編號(hào)從0開始的32種狀態(tài)分別規(guī)定了特殊的用途，一但終端、打印機(jī)遇上約定好的這些字節(jié)被傳過(guò)來(lái)時(shí)，就要做一些約定的動(dòng)作。遇上0×10, 終端就換行，遇上0×07, 終端就向人們嘟嘟叫，例好遇上0x1b, 打印機(jī)就打印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，于是就把這些0×20以下的字節(jié)狀態(tài)稱為”控制碼”。他們又把所有的空 格、標(biāo)點(diǎn)符號(hào)、數(shù)字、大小寫字母分別用連續(xù)的字節(jié)狀態(tài)表示，一直編到了第127號(hào)，這樣計(jì)算機(jī)就可以用不同字節(jié)來(lái)存儲(chǔ)英語(yǔ)的文字了。大家看到這樣，都感覺很好，于是大家都把這個(gè)方案叫做 ANSI 的”Ascii”編碼（American Standard Code for Information Interchange，美國(guó)信息互換標(biāo)準(zhǔn)代碼）。當(dāng)時(shí)世界上所有的計(jì)算機(jī)都用同樣的ASCII方案來(lái)保存英文文字。

GB2312

后來(lái)，就像建造巴比倫塔一樣，世界各地的都開始使用計(jì)算機(jī)，但是很多國(guó)家用的不是英文，他們的字母里有許多是ASCII里沒有的，為了可以在計(jì)算機(jī)保存他們的文字，他們決定采用 127號(hào)之后的空位來(lái)表示這些新的字母、符號(hào)，還加入了很多畫表格時(shí)需要用下到的橫線、豎線、交叉等形狀，一直把序號(hào)編到了最后一個(gè)狀態(tài)255。從128 到255這一頁(yè)的字符集被稱”擴(kuò)展字符集“。從此之后，貪婪的人類再?zèng)]有新的狀態(tài)可以用了，美帝國(guó)主義可能沒有想到還有第三世界國(guó)家的人們也希望可以用到計(jì)算機(jī)吧！等中國(guó)人們得到計(jì)算機(jī)時(shí)，已經(jīng)沒有可以利用的字節(jié)狀態(tài)來(lái)表示漢字，況且有6000多個(gè)常用漢字需要保存呢。

但是這難不倒智慧的中國(guó)人民，我們不客氣地把那些127號(hào)之后的奇異符號(hào)們直接取消掉, 規(guī)定：一個(gè)小于127的字符的意義與原來(lái)相同，但兩個(gè)大于127的字符連在一起時(shí)，就表示一個(gè)漢字，前面的一個(gè)字節(jié)（他稱之為高字節(jié)）從0xA1用到 0xF7，后面一個(gè)字節(jié)（低字節(jié)）從0xA1到0xFE，這樣我們就可以組合出大約7000多個(gè)簡(jiǎn)體漢字了。在這些編碼里，我們還把數(shù)學(xué)符號(hào)、羅馬希臘的字母、日文的假名們都編進(jìn)去了，連在 ASCII 里本來(lái)就有的數(shù)字、標(biāo)點(diǎn)、字母都統(tǒng)統(tǒng)重新編了兩個(gè)字節(jié)長(zhǎng)的編碼，這就是常說(shuō)的”全角”字符，而原來(lái)在127號(hào)以下的那些就叫”半角”字符了。 中國(guó)人民看到這樣很不錯(cuò)，于是就把這種漢字方案叫做 “GB2312“。GB2312 是對(duì) ASCII 的中文擴(kuò)展。

GBK

但是中國(guó)的漢字太多了，我們很快就就發(fā)現(xiàn)有許多人的人名沒有辦法在這里打出來(lái)，特別是某些很會(huì)麻煩別人的國(guó)家領(lǐng)導(dǎo)人。于是我們不得不繼續(xù)把 GB2312 沒有用到的碼位找出來(lái)老實(shí)不客氣地用上。 后來(lái)還是不夠用，于是干脆不再要求低字節(jié)一定是127號(hào)之后的內(nèi)碼，只要第一個(gè)字節(jié)是大于127就固定表示這是一個(gè)漢字的開始，不管后面跟的是不是擴(kuò)展字符集里的內(nèi)容。結(jié)果擴(kuò)展之后的編碼方案被稱為 GBK 標(biāo)準(zhǔn)，GBK 包括了 GB2312 的所有內(nèi)容，同時(shí)又增加了近20000個(gè)新的漢字（包括繁體字）和符號(hào)。 后來(lái)少數(shù)民族也要用電腦了，于是我們?cè)贁U(kuò)展，又加了幾千個(gè)新的少數(shù)民族的字，GBK 擴(kuò)成了 GB18030。

從此之后，中華民族的文化就可以在計(jì)算機(jī)時(shí)代中傳承了。 中國(guó)的程序員們看到這一系列漢字編碼的標(biāo)準(zhǔn)是好的，于是通稱他們叫做 “DBCS“（Double Byte Charecter Set 雙字節(jié)字符集）。在DBCS系列標(biāo)準(zhǔn)里，最大的特點(diǎn)是兩字節(jié)長(zhǎng)的漢字字符和一字節(jié)長(zhǎng)的英文字符并存于同一套編碼方案里，因此他們寫的程序?yàn)榱酥С种刑幚恚仨氁⒁庾执锏拿恳粋€(gè)字節(jié)的值，如果這個(gè)值是大于127的，那么就認(rèn)為一個(gè)雙字節(jié)字符集里的字符出現(xiàn)了。那時(shí)候凡是受過(guò)加持，會(huì)編程的計(jì)算機(jī)僧侶們都要每天念下面這個(gè)咒語(yǔ)數(shù)百遍： “一個(gè)漢字算兩個(gè)英文字符！一個(gè)漢字算兩個(gè)英文字符……”

因?yàn)楫?dāng)時(shí)各個(gè)國(guó)家都像中國(guó)這樣搞出一套自己的編碼標(biāo)準(zhǔn)，結(jié)果互相之間誰(shuí)也不懂誰(shuí)的編碼，誰(shuí)也不支持別人的編碼，連大陸和臺(tái)灣這樣只相隔了150海里，使用著同一種語(yǔ)言的兄弟地區(qū)，也分別采用了不同的 DBCS 編碼方案——當(dāng)時(shí)的中國(guó)人想讓電腦顯示漢字，就必須裝上一個(gè)”漢字系統(tǒng)”，專門用來(lái)處理漢字的顯示、輸入的問題，但是那個(gè)臺(tái)灣的愚昧封建人士寫的算命程序就必須加裝另一套支持 BIG5 編碼的什么”倚天漢字系統(tǒng)”才可以用，裝錯(cuò)了字符系統(tǒng)，顯示就會(huì)亂了套！這怎么辦？而且世界民族之林中還有那些一時(shí)用不上電腦的窮苦人民，他們的文字又怎么辦？ 真是計(jì)算機(jī)的巴比倫塔命題啊！

UNICODE

正在這時(shí)，大天使加百列及時(shí)出現(xiàn)了，一個(gè)叫 ISO（國(guó)際標(biāo)誰(shuí)化組織）的國(guó)際組織決定著手解決這個(gè)問題。他們采用的方法很簡(jiǎn)單：廢了所有的地區(qū)性編碼方案，重新搞一個(gè)包括了地球上所有文化、所有字母和符號(hào)的編碼！他們打算叫它”Universal Multiple-Octet Coded Character Set”，簡(jiǎn)稱 UCS, 俗稱 “unicode“。unicode開始制訂時(shí)，計(jì)算機(jī)的存儲(chǔ)器容量極大地發(fā)展了，空間再也不成為問題了。于是 ISO 就直接規(guī)定必須用兩個(gè)字節(jié)，也就是16位來(lái)統(tǒng)一表示所有的字符，對(duì)于ASCII里的那些“半角”字符，unicode 包持其原編碼不變，只是將其長(zhǎng)度由原來(lái)的8位擴(kuò)展為16位，而其他文化和語(yǔ)言的字符則全部重新統(tǒng)一編碼。

由于”半角”英文符號(hào)只需要用到低8位，所以其高8位永遠(yuǎn)是0，因此這種大氣的方案在保存英文文本時(shí)會(huì)多浪費(fèi)一倍的空間。這時(shí)候，從舊社會(huì)里走過(guò)來(lái)的程序員開始發(fā)現(xiàn)一個(gè)奇怪的現(xiàn)象：他們的 strlen 函數(shù)靠不住了，一個(gè)漢字不再是相當(dāng)于兩個(gè)字符了，而是一個(gè)！是的，從 unicode 開始，無(wú)論是半角的英文字母，還是全角的漢字，它們都是統(tǒng)一的”一個(gè)字符“！同時(shí)，也都是統(tǒng)一的”兩個(gè)字節(jié)“，請(qǐng)注意”字符”和”字節(jié)”兩個(gè)術(shù)語(yǔ)的不同，“字節(jié)”是一個(gè)8位的物理存貯單元，而“字符”則是一個(gè)文化相關(guān)的符號(hào)。在 unicode 中，一個(gè)字符就是兩個(gè)字節(jié)。一個(gè)漢字算兩個(gè)英文字符的時(shí)代已經(jīng)快過(guò)去了。

unicode 同樣也不完美，這里就有兩個(gè)的問題，一個(gè)是，如何才能區(qū)別 unicode 和 ASCII？計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào)，而不是分別表示三個(gè)符號(hào)呢？第二個(gè)問題是，我們已經(jīng)知道，英文字母只用一個(gè)字節(jié)表示就夠了，如果 unicode 統(tǒng)一規(guī)定，每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示，那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是0，這對(duì)于存儲(chǔ)空間來(lái)說(shuō)是極大的浪費(fèi)，文本文件的大小會(huì)因此大出二三倍，這是難以接受的。

UTF-8

unicode 在很長(zhǎng)一段時(shí)間內(nèi)無(wú)法推廣，直到互聯(lián)網(wǎng)的出現(xiàn)，為解決 unicode 如何在網(wǎng)絡(luò)上傳輸?shù)膯栴}，于是面向傳輸?shù)谋姸?UTF（UCS Transfer Format）標(biāo)準(zhǔn)出現(xiàn)了，顧名思義，UTF-8就是每次8個(gè)位傳輸數(shù)據(jù)，而 UTF-16 就是每次16個(gè)位。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種 unicode 的實(shí)現(xiàn)方式，這是為傳輸而設(shè)計(jì)的編碼，并使編碼無(wú)國(guó)界，這樣就可以顯示全世界上所有文化的字符了。UTF-8 最大的一個(gè)特點(diǎn)，就是它是一種變長(zhǎng)的編碼方式。它可以使用1~4個(gè)字節(jié)表示一個(gè)符號(hào)，根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度，當(dāng)字符在 ASCII 碼的范圍時(shí)，就用一個(gè)字節(jié)表示，保留了 ASCII 字符一個(gè)字節(jié)的編碼做為它的一部分，注意的是 unicode 一個(gè)中文字符占2個(gè)字節(jié)，而UTF-8一個(gè)中文字符占3個(gè)字節(jié)）。從 unicode 到 uft-8 并不是直接的對(duì)應(yīng)，而是要過(guò)一些算法和規(guī)則來(lái)轉(zhuǎn)換。

看到這里你是徹底懵逼還是恍然大悟，如果是徹底懵逼建議你再多看幾次，溫故而知新，如果恍然大悟的話我們就接著往下看。

中文亂碼實(shí)例講解

介紹完了基礎(chǔ)知識(shí)，我們來(lái)說(shuō)說(shuō) Python 中是如何存儲(chǔ)字符的，先來(lái)看一個(gè)亂碼的例子。新建一個(gè) demo.py 文件，文件存儲(chǔ)格式為utf-8文件中內(nèi)容如下。

s = "中文"
print s

在 cmd 中運(yùn)行 python demo.py，什么，我只是想打印中文兩個(gè)字居然給我報(bào)錯(cuò)，簡(jiǎn)直不可理喻?。?br />

趕緊打開 python 自帶的 idle 試試看，一點(diǎn)問題都沒有啊，這是為什么呢？

回頭好好看看 cmd 下報(bào)的錯(cuò)誤Non-ASCII character '\xe4' in file demo.py on line 1, but no encoding declared;，翻譯過(guò)來(lái)就是 在 demo.py 文件的第 1 行有非 ASCII 字符 ‘\xe4'，而且沒有聲明編碼，從上面基礎(chǔ)知識(shí)可知，ASCII 編碼是不能表示漢字中文的，demo.py 文件第一行有中文兩個(gè)漢字，而 demo.py 文件存儲(chǔ)格式為utf-8，所以中文兩個(gè)漢字在文件中存儲(chǔ)的時(shí)候是以 utf-8編碼存儲(chǔ)的，查看 demo.py 文件 16 進(jìn)制可以看到中文 存儲(chǔ)的是 \xe4\xb8\xad\xe6\x96\x87。

16 進(jìn)制查看用的是 notepad++ 自帶的 HEX-Editor 插件，另外函數(shù) repr也能顯示原始字符串，如下。

# encoding:utf-8
import sys
print sys.getdefaultencoding()
s = "中文"
print repr(s)

sys.getdefaultencoding()讀取 python 默認(rèn)編碼是 ASCII，而 ASCII 是不認(rèn)識(shí) \xe4的，所以會(huì)報(bào)錯(cuò)Non-ASCII character '\xe4' in file demo.py on line 1, but no encoding declared;，此時(shí)只要在 demo.py 文件頭加上 # encoding:utf-8就可以了，雖然是注釋，但 python 看到這句話就知道了接下來(lái)應(yīng)該用utf-8編碼了，而 demo.py 存儲(chǔ)時(shí)也是utf-8的，所以就正常了。

# encoding:utf-8
s = "中文"
print s

編碼聲明注釋寫成# -*- coding: utf-8 -*-也是可以的，只要滿足正則表達(dá)式^[ \t\v]*#.*?coding[:=][ \t]*([-_.a-zA-Z0-9]+)就OK。

我們?cè)俅卧?cmd 下運(yùn)行 python demo.py 試試看。

啥，啥，啥，說(shuō)好的顯示中文呢？這不是逗我嗎？去 python idle 下試試看。

為什么同樣的文件在 python idle 中卻正常呢？肯定是 cmd 有問題，是的，我也是這樣想的，那我試著在 cmd 下進(jìn)入 python 交互模式輸出中文看看，我去居然 cmd 下也是可以正常輸出 中文的，相信看到這里小伙伴們都已經(jīng)暈了。

別急，聽我慢慢分析。其實(shí)當(dāng)在 cmd 或者 idle 中打印字符的時(shí)候已經(jīng)和文件編碼方式?jīng)]有關(guān)系了，此時(shí)起作用的是輸出環(huán)境也就是 cmd 或者 idle 的編碼方式有關(guān)，查看 cmd 的編碼命令是 chcp，返回 936，去網(wǎng)上查找可知 936 代表 GBK 編碼，這下我們大概知道什么原因了，demo.py 文件存儲(chǔ)和編碼聲明都是utf-8，但是 cmd 顯示編碼是 GBK，而將中文的utf-8 編碼 \xe4\xb8\xad\xe6\x96\x87 強(qiáng)制轉(zhuǎn)換為 GBK 就會(huì)亂碼了，GBK 是兩個(gè)字節(jié)存儲(chǔ)一個(gè)中文字符，所以 \xe4\xb8\xad\xe6\x96\x87 會(huì)解碼成三個(gè)字，很不幸這三個(gè)字涓枃不是常用字也不是我們想要的字符，所以就認(rèn)為是亂碼了。為什么在 cmd 下進(jìn)入 Python 交互式命令行可以呢，這是因?yàn)楫?dāng)在 python 交互式命令行輸入s = "中文"時(shí)，中文這兩個(gè)漢字其實(shí)是以 GBK 編碼存儲(chǔ)的，cmd 默認(rèn)編碼是 GBK ，不信看s打印\xd6\xd0\xce\xc4，這就是GBK編碼方式存儲(chǔ)，而utf-8編碼方式存儲(chǔ)同樣的中文為\xe4\xb8\xad\xe6\x96\x87。

下面告訴大家怎么解決在 cmd 下執(zhí)行文件正確輸出中文問題。

1、demo.py 文件和編碼聲明都為 GBK

這種方法比較笨，就是把 demo.py 文件改為 GBK 存儲(chǔ)，而且編碼聲明也是GBK，個(gè)人不推薦。

# encoding:gbk
s = "中文"
print s
print repr(s)

2、中文用 unicode 表示

只要在中文前面加上個(gè)小u標(biāo)記，后面的中文就用 unicode 存儲(chǔ)了。

# encoding:utf-8
s = u"中文"
print s
print repr(s)

cmd 下是可以打印 unicode 字符的，如下。

3、把中文強(qiáng)制轉(zhuǎn)換為GBK或者unicode編碼

強(qiáng)制轉(zhuǎn)換為unicode編碼，在 Python 中編碼是可以互相轉(zhuǎn)換的，比如從utf-8轉(zhuǎn)換為gbk，不同編碼之間不能直接轉(zhuǎn)換，需要通過(guò)unicode字符集中間過(guò)渡下，從上面基礎(chǔ)知識(shí)可知unicode是一種字符集，不屬于編碼，而utf-8是具體實(shí)現(xiàn)unicode思想的一種編碼。utf-8轉(zhuǎn)換為unicode是一種解碼過(guò)程，通過(guò)decode可從utf-8解碼成unicode。

# encoding:utf-8
s = "中文"
u = s.decode('utf-8')
print u
print type(u)
print repr(u)

強(qiáng)制轉(zhuǎn)換為gbk編碼，上一步已經(jīng)從utf-8轉(zhuǎn)換為unicode了，從unicode是編碼的過(guò)程，通過(guò)encode實(shí)現(xiàn)。

# encoding:utf-8
s = "中文"
u = s.decode('utf-8')
g = u.encode('gbk')
print g
print type(g)
print repr(g)

總結(jié)

windows cmd 窗口下不支持utf-8，想要顯示中文必須轉(zhuǎn)換為gbk或者unicode，而 Python idle 中這三種編碼都支持。中文亂碼的出現(xiàn)都是由于編碼不一致導(dǎo)致的，存儲(chǔ)的是用utf-8，打印的時(shí)候用gbk就會(huì)亂碼了，所有要保證不亂碼盡量保持統(tǒng)一，建議全部使用unicode。

decode 解碼

從其它編碼變成unicode叫解碼，解碼用的方法是decode，第一個(gè)參數(shù)為被解碼的字符串原始編碼格式，如果寫錯(cuò)了也會(huì)報(bào)錯(cuò)。比如 s 是utf-8，用gbk去解碼就會(huì)報(bào)錯(cuò)。

# encoding:utf-8
s = "中文"
u = s.decode('gbk')
print u
print repr(u)

小提示

在 Python idle 和 cmd 下直接輸入 s = "中文"會(huì)以 gbk 編碼的，如果在文件中輸入 s = "中文"且文件存儲(chǔ)格式為utf-8，那么 s 是以u(píng)tf-8編碼存儲(chǔ)的，有點(diǎn)不一樣曾經(jīng)踩過(guò)坑，及時(shí) Python idle 成功了文件運(yùn)行的時(shí)候也可能失敗。

encode 編碼

不可以直接從utf-8轉(zhuǎn)換為gbk，必須經(jīng)過(guò)unicode中間轉(zhuǎn)換，這點(diǎn)很重要，被編碼的原始字符串一定要為unicode，否則會(huì)報(bào)錯(cuò)。

raw_input

raw_input 是獲取用戶輸入值的，獲取到的用戶輸入值和當(dāng)前運(yùn)行環(huán)境編碼有關(guān)，比如 cmd 下默認(rèn)編碼是 gbk，那么輸入的漢字就是以gbk編碼，而不管 demo.py 文件編碼格式和編碼聲明。

# encoding:utf-8
s = raw_input("input something: ")
print s
print type(s)
print repr(s)

GBK 編碼一個(gè)漢字兩個(gè)字節(jié)，UTF-8 一個(gè)漢字通常3個(gè)字節(jié)。

細(xì)心的朋友已經(jīng)注意了，raw_input的提示語(yǔ)我用的是英文，那改成中文看看，果真出現(xiàn)亂碼了。

# encoding:utf-8
s = raw_input("請(qǐng)輸入中文漢字：")
print s
print type(s)
print repr(s)

怎么辦呢？把提示字符串強(qiáng)制為gbk編碼就好，unicode和utf-8都不可以。

# encoding:utf-8
s = raw_input(u"請(qǐng)輸入中文漢字：".encode('gbk'))
print s
print type(s)
print repr(s)

相等陷阱

“中文”這兩個(gè)字符串用不同的編碼存儲(chǔ)是不一樣的，utf-8編碼和gbk編碼存儲(chǔ)的“中文”都不一樣。

總結(jié)

一口氣說(shuō)了這么多，不知道你們看懂沒？想要不亂碼，記住以下5點(diǎn)法則就好。

1、文件存儲(chǔ)為utf-8格式，編碼聲明為utf-8，# encoding:utf-8
2、出現(xiàn)漢字的地方前面加 u
3、不同編碼之間不能直接轉(zhuǎn)換，要經(jīng)過(guò)unicode中間跳轉(zhuǎn)
4、cmd 下不支持utf-8編碼
5、raw_input提示字符串只能為gbk編碼

以上就是徹底搞懂 python 中文亂碼問題(深入分析)的詳細(xì)內(nèi)容，更多關(guān)于python 中文亂碼的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論