Python2编码问题

以下内容说的都是 python 2.x 版本

简介

• 基本概念
• Python “帮”你做的事情
• 推荐姿势

1、基本概念

我们看到的输入输出都是‘字符’（characters），计算机（程序）并不能直接处理，需要转化成字节数据（bytes），因为程序只能处理 bytes 数据。
例如：文件、网络传输等，处理的都是 bytes 数据——二进制数字。

1.1 ASCII / Unicode

孤立的 byte 是毫无意义的，所以我们来赋予他们含义。就引入‘字符集’的概念，‘字符集’就是一个码位（code point）对应的一个字符的表。

该表用于赋予 byte 意义。还需要知道一个点：因为 ASCII 字符集支持的字符太少，不能表示各个国家语言中的字符。所以就发明了
Unicode ——万国码，该字符集包含了你能用到的所有的字符。

1.2 Encode / Decode

在 python 中字符串分为两个对象：str 和 unicode

• str： a sequence of bytes
• unicode：a sequence of code point(码位——字符集中的数字)

unicode_obj.encode() ——> bytes ‘编码’(encode)
bytes_obj.decode() ——> unicode ‘解码’(decode)

UTF-8 是最流行的一种对 Unicode 进行传播和存储的编码方式。所以，多用它作为编码方式。

s = 'hello' # str

u = u'你好' # unicode

back_to_bytes = u.encode('utf-8')

back_to_utf8 = back_to_bytes.decode('utf-8') # 或 unicode(s, 'utf-8')

1.3 声明编码

正如前面所说的，计算机只能操作 bytes，所以 Python 在编译原文件的时候，会先把源文件进行编码，默认以‘ASCII’进行编码。这就是为什么如果源文件中带有‘中文’，需要在源文件的起始行声明编码方式。

完成编码后，源码中的所有字符，都变成了 bytes 计算机就可以进行编译和处理了。编译过程：

1. 读取文件
2. 不同的文件，根据其声明的编码去解析为Unicode
3. 转换为UTF-8字符串
4. 针对UTF-8字符串，去分词
5. 编译，创建Unicode对象（Python解释器处理）

根据这个过程，在自己的代码中也应该按照这个逻辑处理，意思是：

1. 接收外部数据时，统一转化为Unicode
2. 代码内部处理的都是Unicode
3. 输出时统一转化为UTF-8（网络数据传输、文本输出）

参考：PEP 263 -- Defining Python Source Code Encodings

1.4 小结

1. 程序中所有的输入和输出均为 byte
2. 世界上的文本需要比 256 更多的符号来表现（ASCII是不够的）
3. 你的程序必须能够处理 byte 和 unicode
4. byte 流中不会包含编码信息(编码信息会在：文件的开头、协议中等地方声明)

   Content-Type:text/html; charset=UTF-8
   

5. 指明的编码有可能是错误的（出现乱码）

2、python “帮”你做的事情

在 python 中处理编码问题，会出现很多问题，这里就不一一列举。

这些问题大都是使用了不匹配的编码方式进行解码、编码造成的。而 python 为了语法更加简介，在一些内置方法中，使用了一些隐性转换。这种隐形的转换带了的便捷的同时也会带来一些非预期的错误。下面就一一道来。

2.1 a = "abc" + u"bcd"

a = "abc" + u"bcd"，Python 会如此转换 "abc".decode(sys.getdefaultencoding()) 然后将两个 Unicode 字符合并。

2.2 两个内建方法str()和unicode()，

1. str：something.encode(sys.getdefaultencoding())
2. unicode：something.decode(sys.getdefaultencoding())

sys.getdefaultencoding()默认为：ASCII，这就是为什么str(u'中文')和unicode('中文')分别会报错：UnicodeEncodeError和UnicodeDecodeError。因为ASCII编码方式，编码／解码不了中文（支持的字符有限）。

2.3 print函数

print函数，会对输出的内容进行编码，这是因为：所谓的输出，也是从一个程序到另外一个程序。程序之间的交互都是都是传递 bytes。比方说print，就是把数据传递给 终端 ，终端也是个程序，所以print函数就把需要输出的内容编码成了 bytes，采用那种编码方式，就是
由sys.stdout.encoding参数决定的。

在交互环境下（python、ipython）输入的数据的编码则由sys.stdin.encoding参数决定。参考：What does python print() function actually do?

2.4 默认编码方式

python 的默认编发方式为 ASCII。

如何改变python的默认编码方式？：

import sys
# sys.setdefaultencoding() does not exist, here!
reload(sys)  # Reload does the trick!
sys.setdefaultencoding('UTF8')

为什么要重载sys模块？

因为如果在编译.py文件的之前，改变默认编码，会影响Python的编译。
当编译完，再重载sys模块，它就是变成了第三方模块，可以随便更改，不回影响编译。setdefaultencoding()函数才可以调用。参考：Changing default encoding of Python?

3、推荐姿势

本片文章没有列举出常见的异常，因为如果看懂了上面所有的解释。再按照下面的姿势使用，那么 python2 中的编码问题，因该就不会再困扰你了。

1. Unicode 三明治：尽可能的让你程序处理的文本都为 Unicode 。如下图：
   

2. 了解你的字符串。你应该知道你的程序中，哪些是 unicode, 哪些是 byte，对于这些 byte 串。你应该知道，他们的编码是什么。（详情见上述小结第 4 条）

3. 测试 Unicode 支持。使用一些奇怪的符号来测试你是否已经做到了以上几点。（测试看看你的程序是否支持中文）

参考

• Unicode之痛
• Handling Unicode Strings in Python