字符串是Python中最常用的數(shù)據(jù)類型，而且很多時候你會用到一些不屬于標(biāo)準(zhǔn)ASCII字符集的字符，這時候代碼就很可能拋出UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 10: ordinal not in range(128)異常。這種異常在Python中很容易遇到，尤其是在Python2.x中，是一個很讓初學(xué)者費解頭疼的問題。不過，如果你理解了Python的Unicode，并在編碼中遵循一定的原則，這種編碼問題還是比較容易理解和解決的。

字符串在Python內(nèi)部的表示是unicode編碼，因此，在做編碼轉(zhuǎn)換時，通常需要以unicode作為中間編碼，即先將其他編碼的字符串解碼（decode）成unicode，再從unicode編碼（encode）成另一種編碼。但是，Python 2.x的默認編碼格式是ASCII，就是說，在沒有指定Python源碼編碼格式的情況下，源碼中的所有字符都會被默認為ASCII碼。也因為這個根本原因，在Python 2.x中經(jīng)常會遇到UnicodeDecodeError或者UnicodeEncodeError的異常。

關(guān)于Unicode

Unicode是一種字符集，它為每一種現(xiàn)代或古代使用的文字系統(tǒng)中出現(xiàn)的每一個字符都提供了統(tǒng)一的序列號，規(guī)定了符號的二進制代碼，但沒有規(guī)定這個二進制代碼應(yīng)該如何存儲。也就是說：Unicode的編碼方式是固定的，但是實現(xiàn)方式根據(jù)不同的需要有跟多種，常見的有UTF-8、UTF-16和UTF-32等。更多的介紹大家可以參看維基百科：Unicode

為了能夠處理Unicode數(shù)據(jù)，同時兼容Python某些內(nèi)部模塊，Python 2.x中提供了Unicode這種數(shù)據(jù)類型，通過decode和encode方法可以將其它編碼和Unicode編碼相互轉(zhuǎn)化，但同時也引入了UnicodeDecodeError和UnicodeEncodeError異常。。

常見的幾種編碼異常

Python中常見的幾種編碼異常有SyntaxError: Non-ASCII character、UnicodeDecodeError和UnicodeEncodeError等。下面依次舉例說明一下：

1、SyntaxError: Non-ASCII character

這種異常最不容易出現(xiàn)，也最容易處理，主要原因是Python源碼文件中有非ASCII字符，而且同時沒有聲明源碼編碼格式，例如：
 

s = '中文'
print s   # 拋出異常

2、UnicodeDecodeError

這個異常有時候會在調(diào)用decode方法時出現(xiàn)，原因是Python打算將其他編碼的字符轉(zhuǎn)化為Unicode編碼，但是字符本身的編碼格式和decode方法傳入的編碼格式不一致，例如：
 

#!/usr/bin/python
# -*- coding: utf-8 -*-
s = '中文'
s.decode('gb2312') # UnicodeDecodeError: 'gb2312' codec can't decode bytes in position 2-3: illegal multibyte sequence
print s

上面這段代碼中字符串s的編碼格式是utf-8，但是在使用decode方法轉(zhuǎn)化為Unicode編碼時傳入的參數(shù)是‘gb2312'，因此在轉(zhuǎn)化的時候拋出UnicodeDecodeError異常。還有一種情況是在encode的時候：
 

#!/usr/bin/python
# -*- coding: utf-8 -*-
s = '中文'
s.encode('gb2312') # UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)
print s

3、UnicodeEncodeError

錯誤的使用decode和encode方法會出現(xiàn)這種異常，比如：使用decode方法將Unicode字符串轉(zhuǎn)化的時候：
 

#!/usr/bin/python
# -*- coding: utf-8 -*-
s = u'中文'
s.decode('utf-8') # UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)
print s

當(dāng)然，除了上面列出的幾種出現(xiàn)異常的情況之外還有很多可能出現(xiàn)異常的例子，這里就不在一一說明了。

解決方法

對于以上的幾個異常，有以下幾個處理的方法和原則。

1、遵循PEP0263原則，聲明編碼格式

在PEP 0263 -- Defining Python Source Code Encodings中提出了對Python編碼問題的最基本的解決方法：在Python源碼文件中聲明編碼格式，最常見的聲明方式如下：

#!/usr/bin/python
# -*- coding: <encoding name> -*-

其中<encoding name>是代碼所需要的編碼格式，它可以是任意一種Python支持的格式，一般都會使用utf-8的編碼格式。

2、使用u'中文'替代'中文'
 

str1 = '中文編碼'
str2 = u'中文編碼'

Python中有以上兩種聲明字符串變量的方式，它們的主要區(qū)別是編碼格式的不同，其中，str1的編碼格式和Python文件聲明的編碼格式一致，而str2的編碼格式則是Unicode。如果你要聲明的字符串變量中存在非ASCII的字符，那么最好使用str2的聲明格式，這樣你就可以不需要執(zhí)行decode，直接對字符串進行操作，可以避免一些出現(xiàn)異常的情況。

3、Reset默認編碼

Python中出現(xiàn)這么多編碼問題的根本原因是Python 2.x的默認編碼格式是ASCII，所以你也可以通過以下的方式修改默認的編碼格式：
 

import sys
sys.setdefaultencoding('utf-8')

這種方法是可以解決部分編碼問題，但是同時也會引入很多其他問題，得不償失，不建議使用這種方式。

4、終極原則：decode early, unicode everywhere, encode late

最后分享一個終極原則：decode early, unicode everywhere, encode late，即：在輸入或者聲明字符串的時候，盡早地使用decode方法將字符串轉(zhuǎn)化成unicode編碼格式；然后在程序內(nèi)使用字符串的時候統(tǒng)一使用unicode格式進行處理，比如字符串拼接、字符串替換、獲取字符串的長度等操作；最后，在輸出字符串的時候（控制臺/網(wǎng)頁/文件），通過encode方法將字符串轉(zhuǎn)化為你所想要的編碼格式，比如utf-8等。

按照這個原則處理Python的字符串，基本上可以解決所有的編碼問題（只要你的代碼和Python環(huán)境沒有問題）。。。

5、升級Python 2.x到3.x

額，最后一個方法，升級Python 2.x，使用Python 3.x版本。。這樣說主要是為了吐槽Python 2.x的編碼設(shè)計問題。當(dāng)然，升級到Python 3.x肯定可以解決大部分因為編碼產(chǎn)生的異常問題。畢竟Python 3.x版本對字符串這部分還是做了相當(dāng)大的改進的，具體的下面會說。。。。

Python 3.x中的Unicode

在Python 3.0之后的版本中，所有的字符串都是使用Unicode編碼的字符串序列，同時還有以下幾個改進：

1、默認編碼格式改為unicode

2、所有的Python內(nèi)置模塊都支持unicode

3、不再支持u'中文'的語法格式

所以，對于Python 3.x來說，編碼問題已經(jīng)不再是個大的問題，基本上很少遇到上述的幾個異常。關(guān)于Python 2.x str&unicode和Python 3.x str&bytes的更多說明和對比，大家可以看一下：Python中字符編碼的總結(jié)和對比

最新評論