看透“0”、“1”逻辑，轻松解决Python中文乱码

Python中关于“中文乱码”的问题，现规整如下，并统一回答

同学问：
jacky：我在爬取XX网站信息的时候，中文怎么总是显示的乱码？
jacky：UTF-8与GBK到底是个啥？
jacky：我用的是Mac系统，网上说Python3中默认的编码是UTF-8,可我显示中文时怎么还是乱码？

（一）逻辑导图

（二）基础铺垫

1.计算机的底层逻辑

2.字符编码

计算机只认二进制的“0”和“1”

ASCII

• 这个世界的规则就是谁发起，谁定规则。计算机是美国人发明的，在开发计算机的时候，美国人只考虑到了英文的兼容性，并没有考虑包括中文在内的其他语言。

• 英语构成计算机最底层的元素就是：26个英语字母，加上特殊字符，加上数字。

（1）发明计算机时，字符编码使用的是ascii码，包括Python2默认的字符编码就是ascii码（Python3默认使用的是UTF-8，详见下文）；

（2）ascii码为1字节（8位）

• 8位二进制（例如：01010101）有多少种排列组合? 28 ＝256种可能

• 对于英文来说，8位二进制足够用了，所有python2还默认ascii码也不足为奇。

Unicode（万国码）

• 全球化和科技共享，让计算机的开发者认识到，要开发一种各国语言都能兼容的编码，就有了unicode，也叫万国码。

（1）unicode 包含各国所有的语言文件和符号，对于中文来说，8位已经不够用了，unicode规定：一个中文汉字最少用3个字节来表示。

• 一个字节是8位，1byte=8bit=01010101，一个汉字最少有2的24次方种组合

（2）Python中可以用bin函数将十进制转化为二进制

bin(82)
'0b1010010'  #b表示的R是二进制

（3）万国码的弊端

• 占内存和硬盘

  • 用英文字母R举例：如何用ascii码表示为’0b1010010’，如何用万国码表示为
    ‘000000000b1010010’，因为万国码，最少是2个字节，与ascii相比，万国码白白浪费了1个字节的空间。

• 针对unicode的弊端，如今的开发者，又对unicode进行了精简，开发了UTF－8编码

（4）特别说明（读完下文在回来看，就好理解了）

• Unicode是Python的内部编码，也是编码和解码的中间编码。

UTF-8编码

• UTF-8编码是对unicode 的一个再加工
  
  • 对unicode 的编码进行了划分和整理，用8位的就划分为用8位的，不额外在用空间
• 规则：
  
  • 英文：8位
  • 欧洲：16位
  • 中文：24位
• 特别说明：在Unicode编码方式下，才存在 utf-8,utf-16,utf-32的编码方式，这句话对于解释下文的解码与编码特别重要

GBK编码

UTF-8	GBK（@数据分析－jacky）
外国人开发	中国人开发
外国人看不会乱码	外国人看会乱码
一个汉字占3个字节	一个汉字占2个字节

（三）编码与解码

1、基础内容

编码：将字符转化为二进制字节的过程
解码：将二进制字节转化为字符的过程

2、解码和编码的实现方法

(1) 基本逻辑

字符串在Python内部的表示是Unicode编码。
因此在做编码转换时，通常需要以Unicode作为中间编码，即先将其他编码的字符串解码(decode)成Unicode，再从Unicode编码(encode)成另一种编码。

(2) encode与decode

decode的作用是将其他编码的字符串转换成Unicode编码，如str1.decode(‘gbk’)，表示将gbk编码的字符串str1转换成Unicode编码；
encode的作用是将Unicode编码转换成其他编码的字符串，如str2.encode(‘UTF-8’)，表示将Unicode编码的字符串str2转换成UTF-8编码

因此，使用Python转码的时候一定要先搞明白，字符串str是什么编码，然后decode成Unicode，然后再encode成其他编码。

特别注意：

• 如果一个字符串已经是unicode了，再进行解码则将出错，因此通常要对其编码方式是否为unicode进行判断：

• 用非unicode编码形式的string来encode也会报错

(3)支持字符串类型的两种数据模型

python编码有两种数据模型来支持字符串类型 ：

• 一种是str ;
• 一种是unicode

（四）解决Python乱码的思路

代码的实现方式：

decode（）->unicode->encode转化为需要的格式

实战案例：

content为从文件中读取的gbk编码的内容，我们通过以上方法输出该内容。

content.decode('gbk').encode('utf-8') 

• decode方法将content内容转为unicode格式
• encode方法将unicode格式的数据转化为自己所需要的编码方式。

（五）数据科学领域需注意的问题

作为数据分析（挖掘）师，python与数据库的关联是最常见的，我们用python连接数据库后，将数据写到数据库里的中文有时会是乱码

解决办法是在python文件中加上这样几句话：

conn.set_character_set('utf8')
cur.execute('SET CHARACTER SET utf8')
cur.execute('SET character_set_connection=utf8')

• conn是数据库的connection，cur是connection的光标cursor