Python 中编码问题，一直是很多 Python 开发者的噩梦，尽管你是工作多年的 Python 开发者，也肯定会经常遇到令人神烦的编码问题，好不容易花了半天搞明白了。
一段时间后，又全都忘光光了，一脸懵逼的你又开始你找各种博客、帖子，从头搞清楚什么是编码?什么是 unicode?它和 ASCII 有什么区别?为什么 decode encode 老是报错?python2 里和 python3 的字符串类型怎么都不一样，怎么对应起来?如何检测编码格式?
反反复复，这个过程真是太痛苦了。
1. Python 3 中 str 与 bytes
在 Python3中，字符串有两种类型 ，str 和 bytes。
今天就来说一说这二者的区别：
· unicode string(str 类型)：以 Unicode code points 形式存储，人类认识的形式
· byte string(bytes 类型)：以 byte 形式存储，机器认识的形式
在 Python 3 中你定义的所有字符串，都是 unicode string类型，使用 type 和 isinstance 可以判别：
# python3 >>> str_obj = "你好" >>> >>> type(str_obj) <class 'str'> >>> >>> isinstance("你好", str) True >>> >>> isinstance("你好", bytes) False >>> |
而 bytes 是一个二进制序列对象，你只要你在定义字符串时前面加一个 b，就表示你要定义一个 bytes 类型的字符串对象。
# python3 >>> byte_obj = b"Hello World!" >>> type(byte_obj) <class 'bytes'> >>> >>> isinstance(byte_obj, str) False >>> >>> isinstance(byte_obj, bytes) True >>> |
但是在定义中文字符串时，你就不能直接在前面加 b 了，而应该使用 encode 转一下。
>>> 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 与 unicode
而在 Python2 中，字符串的类型又与 Python3 不一样，需要仔细区分。
在 Python2 里，字符串也只有两种类型，unicode 和 str 。
只有 unicode object 和 非unicode object(其实应该叫 str object) 的区别：
· unicode string(unicode类型)：以 Unicode code points 形式存储，人类认识的形式
· byte string(str 类型)：以 byte 形式存储，机器认识的形式
当我们直接使用双引号或单引号包含字符的方式来定义字符串时，就是 str 字符串对象，比如这样：
# python2 >>> str_obj="你好" >>> >>> type(str_obj) <type 'str'> >>> >>> isinstance(str_obj, bytes) True >>> isinstance(str_obj, str) True >>> |
而当我们在双引号或单引号前面加个 u，就表明我们定义的是 unicode 字符串对象，比如这样：
# python2 >>> unicode_obj = u"你好" >>> >>> type(unicode_obj) <type 'unicode'> >>> >>> isinstance(unicode_obj, bytes) False >>> isinstance(unicode_obj, str) False >>> |
3. 如何检测对象的编码
所有的字符，在 unicode 字符集中都有对应的编码值(英文叫做：code point)。
而把这些编码值按照一定的规则保存成二进制字节码，就是我们说的编码方式，常见的有：UTF-8，GB2312 等。
也就是说，当我们要将内存中的字符串持久化到硬盘中的时候，都要指定编码方法，而反过来，读取的时候，也要指定正确的编码方法(这个过程叫解码)，不然会出现乱码。
那问题就来了，当我们知道了其对应的编码方法，我们就可以正常解码，但并不是所有时候我们都能知道应该用什么编码方式去解码?
这时候就要介绍到一个 python 的库 -- chardet ，使用它之前 需要先安装：
python3 -m pip install chardet chardet 有一个 detect 方法，可以 预测其其编码格式： >>> import chardet >>> chardet.detect('微信公众号：Python编程时光'.encode('gbk')) {'encoding': 'GB2312', 'confidence': 0.99, 'language': 'Chinese'} |
为什么说是预测呢，通过上面的输出来看，你会看到有一个 confidence 字段，其表示预测的可信度，或者说成功率。
但是使用它时，若你的字符数较少，就有可能 “误诊”)，比如只有 中文 两个字，就像下面这样，我们是 使用 gbk 编码的，使用 chardet 却识别成 KOI8-R 编码。
>>> str_obj = "中文" >>> byte_obj = bytes(a, encoding='gbk') # 先得到一个 gbk 编码的 bytes >>> >>> chardet.detect(byte_obj) {'encoding': 'KOI8-R', 'confidence': 0.682639754276994, 'language': 'Russian'} >>> >>> strstr_obj2 = str(byte_obj, encoding='KOI8-R') >>> str_obj2 'жпнд' |
所以为了编码诊断的准确，要尽量使用足够多的字符。
chardet 支持多国的语言，从官方文档中可以看到支持如下这些语言
(https://chardet.readthedocs.io/en/latest/supported-encodings.html)。
4. 编码与解码的区别
编码和解码，其实就是 str 与 bytes 的相互转化的过程(Python 2 已经远去，这里以及后面都只用 Python 3 举例)
· 编码：encode 方法，把字符串对象转化为二进制字节序列
· 解码：decode 方法，把二进制字节序列转化为字符串对象
Unicode & Character Encodings in Python
那么假如我们真知道了其编码格式，如何来转成 unicode 呢?
有两种方法：
第一种是，直接使用 decode 方法
>>> byte_obj.decode('gbk') '中文' >>> |
第二种是，使用 str 类来转
>>> strstr_obj = str(byte_obj, encoding='gbk') >>> str_obj '中文' >>> |
5. 如何设置文件编码
在 Python 2 中，默认使用的是 ASCII 编码来读取的，因此，我们在使用 Python 2 的时候，如果你的 python 文件里有中文，运行是会报错的。
SyntaxError: Non-ASCII character '\xe4' in file demo.py
原因就是 ASCII 编码表太小，无法解释中文。
而在 Python 3 中，默认使用的是 uft-8 来读取，所以省了不少的事。
对于这个问题，通常解决方法有两种：
(1) 第一种方法
在 python2 中，可以使用在头部指定
可以这样写，虽然很好看
| # -*- coding: utf-8 -*- |
但这样写太麻烦了，我通常使用下面两种写法
# coding:utf-8 # coding=utf-8 |
(2) 第二种方法
import sys reload(sys) sys.setdefaultencoding('utf-8') |
这里在调用sys.setdefaultencoding(‘utf-8’) 设置默认的解码方式之前，执行了reload(sys)，这是必须的，因为python在加载完sys之后，会删除 sys.setdefaultencoding 这个方法，我们需要重新载入sys，才能调用 sys.setdefaultencoding 这个方法。
以上就是我今天总结的 Python 开者最关心的编码问题，而对于编码的基础知识，仍然需要你提前借助搜索引擎来学习。
本文内容不用于商业目的，如涉及知识产权问题，请权利人联系博为峰小编(021-64471599-8017)，我们将立即处理。
