詳解Python中的編碼問題（encoding與decode、str與bytes）

更新時間：2020年09月30日 09:14:04 作者：奧辰

這篇文章主要介紹了Python中的編碼問題（encoding與decode、str與bytes），幫助大家更好的理解和使用python進(jìn)行開發(fā)，感興趣的朋友可以了解下

1 引言

　　在文件讀寫及字符操作時，我們經(jīng)常會出現(xiàn)下面這幾種錯誤：

　　TypeError: write() argument must be str, not bytes
　　AttributeError: 'URLError' object has no attribute 'code'
　　UnicodeEncodeError: 'gbk' codec can't encode character '\xa0' inposition 5747: illegal multibyte sequence

　　這些錯誤一看就是編碼問題，本篇博文總結(jié)一下Python3文件讀寫及字符操作中的編碼。

2 編碼發(fā)展史

　?。?）ASCII編碼

　　眾所周知，計算機只能處理0和1，任何符號都轉(zhuǎn)換為0和1的序列才能處理。計算機中8個位（bit）作為一個字節(jié)，所以1個字節(jié)能產(chǎn)生2的8次方個0和1的不同組合，也就是說1個字節(jié)做多能表示256種字符。ASCII編碼就是用1個字節(jié)來存儲字符，計算機最初是美國人發(fā)明的，他們的符號不多，所以還將8個0和1序列中的第一位固定為0，ASCII只能表示127個字符。

　?。?）GB2312編碼

　　美國佬的符號不多，所以ASCII編碼夠用，但是其他國家就不行了，每個國家符號數(shù)量都不一樣，就各自指定了自己的編碼。例如我們中國就制定了GB2312編碼。GB2312編碼用2個字節(jié)表示一個字符。

　?。?）Unicode編碼

　　每個國家都用自己的編碼，編碼一朵就容易亂套，也沒法交流，所以需要一種編碼把各個國家的編碼都囊括進(jìn)去，這就是Unicode編碼的由來。所以，Unicode也被稱為萬國碼。Unicode編碼也用2個字節(jié)存儲一個字符。

　?。?）utf-8編碼

Unicode編碼解決了編碼不能通用的問題，但是卻容易浪費內(nèi)存，尤其是在存儲英文的時候，例如一個字符“A”，ASCII編碼只需要1個字節(jié)就夠，但是Unicode編碼必須要用2個字節(jié)。為了解決這一問題，就有了utf-8編碼。 utf-8編碼把存儲英文依舊用一個字節(jié)，漢字就3個字節(jié)。特別是生僻的編程4-6字節(jié)，如果傳輸大量英文，utf-8作用就很明顯了。
utf-8編碼進(jìn)行存儲時有極大地優(yōu)勢，但是當(dāng)讀取到計算機內(nèi)存時卻不大合適，因為utf-8編碼是變長的，不方便尋址和索引，所以在計算機內(nèi)存中，還是轉(zhuǎn)化為Unicode編碼合適些。這就可以解釋為什么每次讀取文本時，要將編碼轉(zhuǎn)化為Unicode編碼，而將內(nèi)存中的字符寫入文件存儲時，要將編碼轉(zhuǎn)化為utf-8了。

3 str與bytes

　　在Python3中，文本總是為Unicode編碼，在類型上為str類，也就是說Python編譯器只會把Unicode編碼下的二進(jìn)制流顯示為我們可識別的符號。二進(jìn)制流在Python中也有一個專門的類用于表示這種二進(jìn)制序列，那就是bytes（在Python中這個二進(jìn)制序列顯示為16進(jìn)制，但本質(zhì)還是二進(jìn)制）。一個str在不同的編碼下就可以轉(zhuǎn)化為不同的bytes（二進(jìn)制流），反之，要將bytes轉(zhuǎn)化為可識別的str就必須用對應(yīng)的編碼，否則就會報錯。

用人類語言類比一下：我們要表達(dá)“吃飯”這件事物（str），翻譯為各個國家的文字后有各不相同的表示，中文表示為“吃飯”，英文表示為“eat”，這就是“吃飯”這個str在不同編碼寫的表示。但官方只認(rèn)中文（Pythonstr只認(rèn)Unicode編碼），所以就必須把“eat”用英語（編碼）的表示方式轉(zhuǎn)化為中文的“吃飯”（Unicode編碼），官方才會顯示知道是吃飯這件事。

>>> s = '吃飯'
>>> type(s)
<class 'str'>
>>> s1 = s.encode(encoding='utf-8')
>>> type(s1)
<class 'bytes'>
>>> s1
b'\xe5\x90\x83\xe9\xa5\xad'
>>> s2 = s.encode(encoding='gb2312')
>>> type(s2)
<class 'bytes'> 
>>> s2
b'\xb3\xd4\xb7\xb9'
>>> s1.decode('utf-8')
'吃飯'
>>> s2.decode('gb2312')
'吃飯'

4 文件編碼

　　在python 3 中字符是以Unicode的形式存儲的，當(dāng)然這里所說的存儲是指存儲在計算機內(nèi)存當(dāng)中，如果是存儲在硬盤里，Python 3的字符是以bytes形式存儲，也就是說如果要將字符寫入硬盤，就必須對字符進(jìn)行encode。對上面這段話再解釋一下，如果要將str寫入文件，如果以‘w'模式寫入，則要求寫入的內(nèi)容必須是str類型；如果以‘wb'形式寫入，則要求寫入的內(nèi)容必須是bytes類型。文章開頭出現(xiàn)的幾種錯誤，就是因為寫入模式與寫入內(nèi)容的數(shù)據(jù)類型不匹配造成的。

s1 = '你好'
#如果是以‘w'的方式寫入，寫入前一定要進(jìn)行encoding，否則會報錯 
with open('F:\\1.txt','w',encoding='utf-8') as f1:
 f1.write(s1)
s2 = s1.encode("utf-8")#轉(zhuǎn)換為bytes的形式
#這時候?qū)懭敕绞揭欢ㄒ恰畐b'，且一定不能加encoding參數(shù)
with open('F:\\2.txt','wb') as f2:
 f2.write(s2)

　　有的人會問，我在系統(tǒng)里面用文本編輯器打開以bytes形式寫入的2.txt文件，發(fā)現(xiàn)里面顯示的是‘你好'，而不是‘b'\xe4\xbd\xa0\xe5\xa5\xbd''，因為文本文檔打開2.txt時，系統(tǒng)會用合適的編碼將其顯示為對應(yīng)的符號，然后才給你看到。

5 網(wǎng)頁編碼

　　網(wǎng)頁編碼和文件編碼方法差不多，如下urlopen下載下來的網(wǎng)頁read()且用decoding(‘utf-8')解碼，那就必須以‘w'的方式寫入文件。如果只是read()而不用encoding(‘utf-8')進(jìn)行編碼，一定要以‘wb'方式寫入：
　　以‘w'方式寫入時：

response= url_open('http://blog.csdn.net/gs_zhaoyang/article/details/13768925 ' ,timeout=5 )#自定義的一個網(wǎng)頁下載函數(shù)
#此處以UTF-8方式進(jìn)行解碼，解碼后的數(shù)據(jù)以unicode的方式存儲在html中
html = response.read().decode('UTF-8')
print(type(html))#輸出結(jié)果：<class 'str'>
#這時寫入方式一定要加encoding,以encoding
# 即UTF-8的方式對二進(jìn)制數(shù)據(jù)進(jìn)行編碼才能寫入
with open('F:\DownloadAppData\html.txt',"w" , encoding='UTF-8') as f:
 f.write(html)

　　以‘wb'方式寫入：

response= url_open('http://blog.csdn.net/gs_zhaoyang/article/details/13768925 ' ,timeout=5 )
html = response.read()#此處不需要進(jìn)行解碼，下載下來
print(type(html))#輸出結(jié)果：<class 'bytes'>
with open('F:\DownloadAppData\html.txt',"wb" ) as f:
 f.write(html)

　　如果要在Python3中，對urlopen下載下來的網(wǎng)頁進(jìn)行字符操作（例如正則匹配、lxml提?。?，就必須decode成Unicode。