Python 字符编码与解码：unicode、str、中文
摘要：在进行python脚本的编写时，如果我们用python来处理网页数据或者进行与中文字符有关的处理工作，经常出现这样的出错信息：
SyntaxError: Non-ASCII character '\xe6' in file ./filename.py on line 3, but no encoding declared。
本文主要讲解python中与unicode和中文、特殊字符编码有关的问题。
字符编码和解码需要遵循什么规律？
前言：
如果密码领域一样，从明文到密码是加密，从密码到明文是解密。在python中，编码：unicode-->str;解码str-->unicode.既然是编码，那么就和密码领域一样，编码和解码自然涉及到编码/解码方案（对应加密或者解密算法），unicode相当于明文。在python中，编码函数是encode（），解码函数是decode（）。需要注意的一点是，如果我们调用str.encode(),这里涉及到一个隐士的类型转化，会现将str转化成unicode，才能进行编码，这也是不太容易理解的地方。所以，str.encode()实际上就等价于str.decode(sys.defaultencoding).encode().而sys.defaultencoding一般是ascii，它是不能用来编码中文字符的。
在阅读本文之间，如果你对字符编码不是很熟悉，有必要先了解以下字符编码。可以参考：字符编码简介。
0、Python 中 unicode 和 str 相互转化
Python中的str对象其实就是"8-bit string" ，字节字符串，本质上类似java中的byte[]
Python中的unicode对象应该才是等同于java中的String对象，或本质上是java的char[]
str: s = "你好"
unicode: u = u"你好“
1）unicode转化为str，采用encode 编码：
str = u.encode('gbk')
2）str转化为unicode ，采用decode 解码：
unicode = s.decode('gbk')
1、一个中文字符编码问题
一个python脚本如下：
#!/usr/bin/python string='我的' print string
运行脚本，提示信息如下：
SyntaxError: Non-ASCII character '\xe6' in file ./filename.py on line 3, but no encoding declared
出错原因：python默认采用ascii编码，而中文编码不再ascii编码能够表示的范围之内，所以string无法将“我的”作为ascii编码保存为str类型。
解决办法：采用中文字符编码，在脚本第二行加入编码类型，如下：
#!/usr/bin/python #coding=gbk string='我的' print string
这里，coding同样可以采用utf-8等能够编码中文字符的模式。
2、python的对字符的编解码
字符编码/解码函数：
1）unicode：这个是python的内建函数，位于unicode类。
unicode(string [, encoding[, errors]]) -> object
这个函数的作用是将string按照encoding的格式编码成为unicode对象。
省略参数将用python默认的ASCII来解码
2）decode：位于unicode类中。
decode(...)
| S.decode([encoding[,errors]]) -> string or unicode
|
| Decodes S using the codec registered for encoding.
#!/usr/bin/python
#coding=gbk
string='我的'
print string
s1=unicode(string,"gbk")
s2=string.decode("gbk")
print s1
print s2
这段代码的输出如下：
我的
鎴戠殑
鎴戠殑
显然，输出好像没有达到我们的期许的结果。
为什么s1和s2输出的是乱码呢？string是str，print输出到屏幕，这个终端采用的字符编码有关。为什么string是正常的，而s1和s2都是乱码呢？我们接下来分析.
另外，你有没有觉得奇怪：为什么str类经过编码和解码以后的对象都是unicode呢？
答案：str.encode()实际上就等价于str.decode(sys.defaultencoding).encode().而sys.defaultencoding一般是ascii，它是不能用来编码中文字符的。
3）decode和encode都可以用于常规字符串和unicode字符串
但是：
str.decode()和unicode.encode()是直接正规的使用。
unicode.decode()会先将unicode转化成str，然后再执行decode（）。
这里面涉及隐式类型转化的问题
3、codec是什么
Codec是把Coder/DECoder得首字母组合，它定义了文本跟二进制的转换方式，跟ASCII那种用一个字节把字符转换成数字的方式不同，Unicode用的是多字节，这导致了Unicode支持多种不同的编码方式，比如说codec支持的四种耳熟能详的编码方式是：ASCII，ISO8859—1/Latin-1，UTF-8,和UTF-16
最著名的是UTF-8编码，它也用一个字节来编码ASCII字符，这让那些必须同时处理ASCII码和Unicode码文本的程序员的工作变得非常轻松，因为ASCII字符的UTF-8编码和ASCII编码完全相同。
UTF-8编码可以用1到4个字节来表示其他语言的字符，这给那些需要直接处理Unicode数据的程序员带来了麻烦，因为他们没有办法按照固定长度逐一读出各个字符，幸运的是我们不需要掌握直接读取Unicode数据的方法，Python已经替我们完成了相关细节，我们无需为处理多字节字符的复杂问题而担心。
UTF-16也是一种变长编码，但是它不常用。
4、编码与解码
Unicode支持多种编码格式，这为程序员带来了额外的负担，每当你向一个文件写入字符串的时候，你必须定义一个编码用于把对应的Unicode内容转换成你定义的格式，Python通过Unicode字符串的encode()函数解决了这个问题，该函数接受字符串中的字符为参数，输出你指定的编码格式的内容。
所以，每次我们写一个Unicode字符串到磁盘上我们都要用指定的编码器给他“编码“一下，相应地，当我们从这个文件读取数据时，我们必须”解码”该文件，使之成为Unicode字符串对象。
5、python对unicode的支持
内建的unicode()函数：将一个string类型的字符串转变成一个unicode对象
decode/encode方法：用于将str对象转化成unicode对象，或者相反。
来看下面这一行例子：
#!/usr/bin/python
#coding=gbk
string='我的'
print "string is:",type(string)
print string
ustring=u"我的"
print "ustring is:",type(ustring)
print ustring
gbkstring=ustring.encode("gbk")
print "gbkstring is:",type(gbkstring)
print gbkstring
anotherstring=gbkstring.decode("gbk")
print "anotherstring is:",type(anotherstring)
print anotherstring
输出结果如下：
string is: <type 'str'>
我的
ustring is: <type 'unicode'>
鎴戠殑
gbkstring is: <type 'str'>
我的
anotherstring is: <type 'unicode'>
鎴戠殑
任何两种字符编码之间如果想完成转化，必须要通过unicode这个桥梁，先把它抓化成unicode对象；
unicode对象直接进行输出，往往会出现乱码，需要解码成str对象。
另外需要注意：unicode对象，gbk编码，ascii编码，str对象这四个不同的概念。
注意区分什么是字符串类型，什么是编码类型。
6、注意事项
关于字符编码的原理，可以参考这里：
在python中需要使用unicode需要注意：
1 程序中出现字符串时一定要加一个前缀u
5 使用什么字符编码，就要采用对应的字符集进行解码
内建的str()函数和chr（）函数不能处理Unicode，它们只能处理常规ASCII编码的字符串，如果一个Unicode字符串作为参数传给了str（）函数，它会首先被转换成ASCII码字符串然后交给str（）函数。
7、关于linux终端的字符编码
终端等默认语言设置在/etc/environment之中，在linux下，如果terminal采用的是utf-8编码，那么如果我们的中文采用gbk编码，很有可能在输出到屏幕的时候产生乱码。
使用locale命令，可以查看与语言有关的环境变量：
hyk@hyk-linux:~/program/python/chapter6 $ locale LANG=zh_CN.UTF-8 LANGUAGE=zh_CN:en_US:en LC_CTYPE="zh_CN.UTF-8" LC_NUMERIC=zh_CN.UTF-8 LC_TIME=zh_CN.UTF-8 LC_COLLATE="zh_CN.UTF-8" LC_MONETARY=zh_CN.UTF-8 LC_MESSAGES="zh_CN.UTF-8" LC_PAPER=zh_CN.UTF-8 LC_NAME=zh_CN.UTF-8 LC_ADDRESS=zh_CN.UTF-8 LC_TELEPHONE=zh_CN.UTF-8 LC_MEASUREMENT=zh_CN.UTF-8 LC_IDENTIFICATION=zh_CN.UTF-8 LC_ALL=
python的print方法，会自动将相关的字符编码，转化成该环境变量对应的字符编码，所以使用print 可能会出现乱码和报错；但是使用write却不会。
8、python中关于字符处理的出错与解决办法
问题一：
strencode=string.encode("utf-8")
print "strencode is : ",type(strencode)
print strencode
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 4: ordinal not in range
解释：str本身是不能encode的，如果想要encode，先要转化成unicode，此时采用默认的ascii进行转化，所以就出错了。
解决办法：
1）指明str转化成unicode的编码方式：
#! /usr/bin/env python
# -*- coding: utf-8 -*-
s = '中文'
s.decode('utf-8').encode('gb18030')
2）重置变量 sys.defaultencoding
import sys
reload(sys) # Python2.5 初始化后会删除 sys.setdefaultencoding 这个方法，我们需要重新载入
sys.setdefaultencoding('utf-8')
str = '中文'
str.encode('gb18030')
参考推荐：
版权所有: 本文系米扑博客原创、转载、摘录，或修订后发表，最后更新于 2020-11-17 20:24:53
侵权处理: 本个人博客，不盈利，若侵犯了您的作品权，请联系博主删除，莫恶意，索钱财，感谢！