Python 中編碼問(wèn)題，一直是很多 Python 開(kāi)發(fā)者的噩夢(mèng)，盡管你是工作多年的 Python 開(kāi)發(fā)者，也肯定會(huì)經(jīng)常遇到令人神煩的編碼問(wèn)題，好不容易花了半天搞明白了。

一段時(shí)間后，又全都忘光光了，一臉懵逼的你又開(kāi)始你找各種博客、帖子，從頭搞清楚什么是編碼?什么是 unicode?它和 ASCII 有什么區(qū)別?為什么 decode encode 老是報(bào)錯(cuò)?python2 里和 python3 的字符串類型怎么都不一樣，怎么對(duì)應(yīng)起來(lái)?如何檢測(cè)編碼格式?

反反復(fù)復(fù)，這個(gè)過(guò)程真是太痛苦了。

今天我把大家在 Python 上會(huì)遇到的一些編碼問(wèn)題都講清楚了，以后你可以不用再 Google，收藏這篇文章就行。

1. Python 3 中 str 與 bytes

在 Python3中，字符串有兩種類型 ，str 和 bytes。

今天就來(lái)說(shuō)一說(shuō)這二者的區(qū)別：

• unicode string(str 類型)：以 Unicode code points 形式存儲(chǔ)，人類認(rèn)識(shí)的形式
• byte string(bytes 類型)：以 byte 形式存儲(chǔ)，機(jī)器認(rèn)識(shí)的形式

在 Python 3 中你定義的所有字符串，都是 unicode string類型，使用 type 和 isinstance 可以判別：

# python3 
 
>>> str_obj = "你好" 
>>>  
>>> type(str_obj) 
<class 'str'> 
>>>  
>>> isinstance("你好", str) 
True 
>>>  
>>> isinstance("你好", bytes) 
False 
>>>  

而 bytes 是一個(gè)二進(jìn)制序列對(duì)象，你只要你在定義字符串時(shí)前面加一個(gè) b，就表示你要定義一個(gè) bytes 類型的字符串對(duì)象。

# python3 
>>> byte_obj = b"Hello World!" 
>>> type(byte_obj) 
<class 'bytes'> 
>>>  
>>> isinstance(byte_obj, str) 
False 
>>>  
>>> isinstance(byte_obj, bytes) 
True 
>>>  

但是在定義中文字符串時(shí)，你就不能直接在前面加 b 了，而應(yīng)該使用 encode 轉(zhuǎn)一下。

>>> byte_obj=b"你好" 
  File "<stdin>", line 1 
SyntaxError: bytes can only contain ASCII literal characters. 
>>>  
>>> str_obj="你好" 
>>>  
>>> str_obj.encode("utf-8") 
b'\xe4\xbd\xa0\xe5\xa5\xbd' 
>>>  

2. Python 2 中 str 與 unicode

而在 Python2 中，字符串的類型又與 Python3 不一樣，需要仔細(xì)區(qū)分。

在 Python2 里，字符串也只有兩種類型，unicode 和 str 。

只有 unicode object 和 非unicode object(其實(shí)應(yīng)該叫 str object) 的區(qū)別：

• unicode string(unicode類型)：以 Unicode code points 形式存儲(chǔ)，人類認(rèn)識(shí)的形式
• byte string(str 類型)：以 byte 形式存儲(chǔ)，機(jī)器認(rèn)識(shí)的形式

當(dāng)我們直接使用雙引號(hào)或單引號(hào)包含字符的方式來(lái)定義字符串時(shí)，就是 str 字符串對(duì)象，比如這樣：

# python2 
 
>>> str_obj="你好" 
>>> 
>>> type(str_obj) 
<type 'str'> 
>>> 
>>> isinstance(str_obj, bytes) 
True 
>>> isinstance(str_obj, str) 
True 
>>> 

而當(dāng)我們?cè)陔p引號(hào)或單引號(hào)前面加個(gè) u，就表明我們定義的是 unicode 字符串對(duì)象，比如這樣：

# python2 
 
>>> unicode_obj = u"你好" 
>>> 
>>> type(unicode_obj) 
<type 'unicode'> 
>>> 
>>> isinstance(unicode_obj, bytes) 
False 
>>> isinstance(unicode_obj, str) 
False 
>>> 

3. 如何檢測(cè)對(duì)象的編碼

所有的字符，在 unicode 字符集中都有對(duì)應(yīng)的編碼值(英文叫做：code point)。

而把這些編碼值按照一定的規(guī)則保存成二進(jìn)制字節(jié)碼，就是我們說(shuō)的編碼方式，常見(jiàn)的有：UTF-8，GB2312 等。

也就是說(shuō)，當(dāng)我們要將內(nèi)存中的字符串持久化到硬盤中的時(shí)候，都要指定編碼方法，而反過(guò)來(lái)，讀取的時(shí)候，也要指定正確的編碼方法(這個(gè)過(guò)程叫解碼)，不然會(huì)出現(xiàn)亂碼。

那問(wèn)題就來(lái)了，當(dāng)我們知道了其對(duì)應(yīng)的編碼方法，我們就可以正常解碼，但并不是所有時(shí)候我們都能知道應(yīng)該用什么編碼方式去解碼?

這時(shí)候就要介紹到一個(gè) python 的庫(kù) -- chardet ，使用它之前 需要先安裝：

python3 -m pip install chardet 

chardet 有一個(gè) detect 方法，可以 預(yù)測(cè)其其編碼格式：

>>> import chardet 
>>> chardet.detect('微信公眾號(hào)：Python編程時(shí)光'.encode('gbk')) 
{'encoding': 'GB2312', 'confidence': 0.99, 'language': 'Chinese'} 

為什么說(shuō)是預(yù)測(cè)呢，通過(guò)上面的輸出來(lái)看，你會(huì)看到有一個(gè) confidence 字段，其表示預(yù)測(cè)的可信度，或者說(shuō)成功率。

但是使用它時(shí)，若你的字符數(shù)較少，就有可能 “誤診”)，比如只有 中文 兩個(gè)字，就像下面這樣，我們是 使用 gbk 編碼的，使用 chardet 卻識(shí)別成 KOI8-R 編碼。

>>> str_obj = "中文" 
>>> byte_obj = bytes(a, encoding='gbk')  # 先得到一個(gè) gbk 編碼的 bytes 
>>> 
>>> chardet.detect(byte_obj) 
{'encoding': 'KOI8-R', 'confidence': 0.682639754276994, 'language': 'Russian'} 
>>>  
>>> strstr_obj2 = str(byte_obj, encoding='KOI8-R') 
>>> str_obj2 
'жпнд' 

所以為了編碼診斷的準(zhǔn)確，要盡量使用足夠多的字符。

chardet 支持多國(guó)的語(yǔ)言，從官方文檔中可以看到支持如下這些語(yǔ)言

(https://chardet.readthedocs.io/en/latest/supported-encodings.html)。

4. 編碼與解碼的區(qū)別

編碼和解碼，其實(shí)就是 str 與 bytes 的相互轉(zhuǎn)化的過(guò)程(Python 2 已經(jīng)遠(yuǎn)去，這里以及后面都只用 Python 3 舉例)

• 編碼：encode 方法，把字符串對(duì)象轉(zhuǎn)化為二進(jìn)制字節(jié)序列
• 解碼：decode 方法，把二進(jìn)制字節(jié)序列轉(zhuǎn)化為字符串對(duì)象

Unicode & Character Encodings in Python

那么假如我們真知道了其編碼格式，如何來(lái)轉(zhuǎn)成 unicode 呢?

有兩種方法：

第一種是，直接使用 decode 方法

>>> byte_obj.decode('gbk') 
'中文' 
>>>  

第二種是，使用 str 類來(lái)轉(zhuǎn)

>>> strstr_obj = str(byte_obj, encoding='gbk') 
>>> str_obj 
'中文' 
>>>  

5. 如何設(shè)置文件編碼

在 Python 2 中，默認(rèn)使用的是 ASCII 編碼來(lái)讀取的，因此，我們?cè)谑褂?Python 2 的時(shí)候，如果你的 python 文件里有中文，運(yùn)行是會(huì)報(bào)錯(cuò)的。

SyntaxError: Non-ASCII character '\xe4' in file demo.py 

原因就是 ASCII 編碼表太小，無(wú)法解釋中文。

而在 Python 3 中，默認(rèn)使用的是 uft-8 來(lái)讀取，所以省了不少的事。

對(duì)于這個(gè)問(wèn)題，通常解決方法有兩種：

(1) 第一種方法

在 python2 中，可以使用在頭部指定

可以這樣寫，雖然很好看

# -*- coding: utf-8 -*-  

但這樣寫太麻煩了，我通常使用下面兩種寫法

# coding:utf-8 
# coding=utf-8  

(2) 第二種方法

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

這里在調(diào)用sys.setdefaultencoding(‘utf-8’) 設(shè)置默認(rèn)的解碼方式之前，執(zhí)行了reload(sys)，這是必須的，因?yàn)閜ython在加載完sys之后，會(huì)刪除 sys.setdefaultencoding 這個(gè)方法，我們需要重新載入sys，才能調(diào)用 sys.setdefaultencoding 這個(gè)方法。

以上就是我今天總結(jié)的 Python 開(kāi)者最關(guān)心的編碼問(wèn)題，而對(duì)于編碼的基礎(chǔ)知識(shí)，仍然需要你提前借助搜索引擎來(lái)學(xué)習(xí)。