python 之路，致那些年，我們依然沒搞明白的編碼

本節內容

　　編碼回顧

　　編碼轉換

　　Python的bytes類型

 

編碼回顧

在備編碼相關的課件時，在知乎上看到一段關於Python編碼的回答

這哥們的這段話說的太對了，搞Python不把編碼徹底搞明白，總有一天它會猝不及防坑你一把。

不過感覺這哥們的答案並沒把編碼問題寫明白，所以只好親自動筆了。 

折騰編碼問題，有很多次，我以爲自已明白了，最終發現，那只不過是自圓其說而已，這一次，終於100%確定，動筆即不再改！

 

 

看這篇文章前，你應該已經知道了爲什麼有編碼，以及編碼的種類情況

• ASCII 佔1個字節，只支持英文
• GB2312 佔2個字節，支持6700+漢字
• GBK GB2312的升級版，支持21000+漢字
• Shift-JIS 日本字符
• ks_c_5601-1987 韓國編碼
• TIS-620 泰國編碼

由於每個國家都有自己的字符，所以其對應關係也涵蓋了自己國家的字符，但是以上編碼都存在侷限性，即：僅涵蓋本國字符，無其他國家字符的對應關係。應運而生出現了萬國碼，他涵蓋了全球所有的文字和二進制的對應關係，

• Unicode 2-4字節 已經收錄136690個字符，並還在一直不斷擴張中...

Unicode 起到了2個作用：

1. 直接支持全球所有語言，每個國家都可以不用再使用自己之前的舊編碼了，用unicode就可以了。(就跟英語是全球統一語言一樣)
2. unicode包含了跟全球所有國家編碼的映射關係，爲什麼呢？後面再講

Unicode解決了字符和二進制的對應關係，但是使用unicode表示一個字符，太浪費空間。例如：利用unicode表示“Python”需要12個字節才能表示，比原來ASCII表示增加了1倍。

由於計算機的內存比較大，並且字符串在內容中表示時也不會特別大，所以內容可以使用unicode來處理，但是存儲和網絡傳輸時一般數據都會非常多，那麼增加1倍將是無法容忍的！！！

爲了解決存儲和網絡傳輸的問題，出現了Unicode Transformation Format，學術名UTF，即：對unicode中的進行轉換，以便於在存儲和網絡傳輸時可以節省空間!

• UTF-8： 使用1、2、3、4個字節表示所有字符；優先使用1個字符、無法滿足則使增加一個字節，最多4個字節。英文佔1個字節、歐洲語系佔2個、東亞佔3個，其它及特殊字符佔4個
• UTF-16： 使用2、4個字節表示所有字符；優先使用2個字節，否則使用4個字節表示。
• UTF-32： 使用4個字節表示所有字符；

總結：UTF 是爲unicode編碼 設計 的一種 在存儲 和傳輸時節省空間的編碼方案。

 

字符在硬盤上的存儲 

無論以什麼編碼在內存裏顯示字符，存到硬盤上都是2進制。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

ascii編碼(美國)：     l   0b1101100     o   0b1101111     v   0b1110110     e   0b1100101 GBK編碼(中國)：     老   0b11000000 0b11001111     男   0b11000100 0b11010000     孩   0b10111010 0b10100010   Shift_JIS編碼(日本)：     私   0b10001110 0b10000100     は   0b10000010 0b11001101   ks_c_5601-1987編碼(韓國)：     나   0b10110011 0b10101010     는   0b10110100 0b11000010       TIS-620編碼(泰國)：     ฉัน  0b10101001 0b11010001 0b10111001 ...

1	要注意的是，存到硬盤上時是以何種編碼存的，再從硬盤上讀出來時，就必須以何種編碼讀，要不然就亂了。。

　　

編碼的轉換 

雖然國際語言是英語 ，但大家在自己的國家依然說自已的語言，不過出了國， 你就得會英語
編碼也一樣，雖然有了unicode and utf-8 ， 但是由於歷史問題，各個國家依然在大量使用自己的編碼，比如中國的windows,默認編碼依然是gbk,而不是utf-8

基於此，如果中國的軟件出口到美國，在美國人的電腦上就會顯示亂碼，因爲他們沒有gbk編碼。
若想讓中國的軟件可以正常的在 美國人的電腦上顯示，只有以下2條路可走：

1. 讓美國人的電腦上都裝上gbk編碼
2. 把你的軟件編碼以utf-8編碼

第1種方法幾乎不可能實現，第2種方法比較簡單。 但是也只能是針對新開發的軟件。 如果你之前開發的軟件就是以gbk編碼的，上百萬行代碼可能已經寫出去了，重新編碼成utf-8格式也會費很大力氣。

so , 針對已經用gbk開發完畢的項目，以上2種方案都不能輕鬆的讓項目在美國人電腦上正常顯示，難道沒有別的辦法了麼？
有， 還記得我們講unicode其中一個功能是其包含了跟全球所有國家編碼的映射關係，意思就是，你寫的是gbk的“路飛學城”,但是unicode能自動知道它在unicode中的“路飛學城”的編碼是什麼，如果這樣的話，那是不是意味着，無論你以什麼編碼存儲的數據 ，只要你的軟件在把數據從硬盤讀到內存裏，轉成unicode來顯示，就可以了。
由於所有的系統、編程語言都默認支持unicode，那你的gbk軟件放到美國電腦 上，加載到內存裏，變成了unicode,中文就可以正常展示啦。

 這個表你自己也可以下載下來 

unicode與gbk的映射表 http://www.unicode.org/charts/ 

 

Python3的執行過程

在看實際代碼的例子前，我們來聊聊，python3 執行代碼的過程

1. 解釋器找到代碼文件，把代碼字符串按文件頭定義的編碼加載到內存，轉成unicode
2. 把代碼字符串按照語法規則進行解釋，
3. 所有的變量字符都會以unicode編碼聲明

編碼轉換過程

實際代碼演示，在py3上 把你的代碼以utf-8編寫， 保存，然後在windows上執行，

1 2	s = '路飛學城' print(s)

so ,一切都很美好，到這裏，我們關於編碼的學習按說就可以結束了。

 

但是，如生活一樣，美好的表面下，總是隱藏着不盡如人意，上面的utf-8編碼之所以能在windows gbk的終端下顯示正常，是因爲到了內存裏python解釋器把utf-8轉成了unicode , 但是這只是python3, 並不是所有的編程語言在內存裏默認編碼都是unicode,比如 萬惡的python2 就不是， 它的默認編碼是ASCII，想寫中文，就必須聲明文件頭的coding爲gbk or utf-8, 聲明之後，python2解釋器僅以文件頭聲明的編碼去解釋你的代碼，加載到內存後，並不會主動幫你轉爲unicode,也就是說，你的文件編碼是utf-8,加載到內存裏，你的變量字符串就也是utf-8, 這意味着什麼你知道麼？。。。意味着，你以utf-8編碼的文件，在windows是亂碼。 

 

亂是正常的，不亂纔不正常，因爲只有2種情況 ，你的windows上顯示纔不會亂

1. 字符串以GBK格式顯示
2. 字符串是unicode編碼

既然Python2並不會自動的把文件編碼轉爲unicode存在內存裏， 那就只能使出最後一招了，你自己人肉轉。Py3 自動把文件編碼轉爲unicode必定是調用了什麼方法，這個方法就是，decode(解碼) 和encode(編碼)

1 2	UTF-8 --> decode 解碼 --> Unicode Unicode --> encode 編碼 --> GBK / UTF-8 ..

 

decode示例

 

encode 示例

 

記住下圖規則

 

如何驗證編碼轉對了呢？

1. 查看數據類型，python 2 裏有專門的unicode 類型
2. 查看unicode編碼映射表

　　unicode字符是有專門的unicode類型來判斷的，但是utf-8,gbk編碼的字符都是str,你如果分辨出來的當前的字符串數據是何種編碼的呢？ 有人說可以通過字節長度判斷，因爲utf-8一箇中文佔3字節，gbk一個佔2字節

靠上面字節個數，雖然也能大體判斷是什麼類型，但總覺得不是很專業。

怎麼才能精確的驗證一個字符的編碼呢，就是拿這些16進制的數跟編碼表裏去匹配。

“路飛學城”的unicode編碼的映射位置是 u'\u8def\u98de\u5b66\u57ce' ，‘\u8def’ 就是‘路’，到表裏搜一下。
“路飛學城”對應的GBK編碼是'\xc2\xb7\xb7\xc9\xd1\xa7\xb3\xc7' ，2個字節一箇中文，"路" 的二進制 "\xc2\xb7"是4個16進制，正好2字節，拿它到unicode映射表裏對一下， 發現是G0-4237，並不是\xc2\xb7呀。。。擦。演砸了吧。。

   

再查下“飛” \u98de ，對應的是G0-3749， 跟\xb7\xc9也對不上。

 

 

雖然對不上， 但好\xc2\xb7 和G0-4237中的第2位的2和第4位的7對上了，“飛”字也是一樣，莫非巧合？ 

把他們都轉成2進制顯示試試 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

路 C               2 8   4   2   1   8   4   2   1 <strong>1   1   0   0   0   0   1   0</strong>   B               7 8   4   2   1   8   4   2   1 <strong>1   0   1   1   0   1   1   1</strong>     飛 B               7 8   4   2   1   8   4   2   1 1   0   1   1   0   1   1   1   C               9 8   4   2   1   8   4   2   1 1   1   0   0   1   0   0   1

這個“路”還是跟G0-4237對不上呀，沒錯， 但如果你把路\xc2\xb7的每個二進制字節的左邊第一個bit變成0試試呢， 我擦，加起來就真的是4237了呀。。難道又是巧合？？？ 　

 

必然不是，是因爲，GBK的編碼表示形式決定的。。因爲GBK編碼在設計初期就考慮到了要兼容ASCII,即如果是英文，就用一個字節表示，2個字節就是中文，但如何區別連在一起的2個字節是代表2個英文字母，還是一箇中文漢字呢？ 中國人如此聰明，決定，2個字節連在一起，如果每個字節的第1位(也就是相當於128的那個2進制位)如果是1，就代表這是個中文，這個首位是128的字節被稱爲高字節。 也就是2個高字節連在一起，必然就是一箇中文。 你怎麼如此篤定？因爲0-127已經表示了英文的絕大部分字符，128-255是ASCII的擴展表，表示的都是極特殊的字符，一般沒什麼用。所以中國人就直接拿來用了。 

 

問：那爲什麼上面 "\xc2\xb7"的2進制要把128所在的位去掉才能與unicode編碼表裏的G0-4237匹配上呢？

這隻能說是unicode在映射表的表達上直接忽略了高字節，但真正映射的時候 ，肯定還是需要用高字節的哈。

 

Python bytes類型

在python 2 上寫字符串

1 2 3 4 5

>>> s = "路飛" >>> print s 路飛 >>> s '\xe8\xb7\xaf\xe9\xa3\x9e'

雖說打印的是路飛，但直接調用變量s，看到的卻是一個個的16進製表示的二進制字節，我們怎麼稱呼這樣的數據呢？直接叫二進制麼？也可以， 但相比於010101，這個數據串在表示形式上又把2進制轉成了16進制來表示，這是爲什麼呢？ 哈，爲的就是讓人們看起來更可讀。我們稱之爲bytes類型，即字節類型， 它把8個二進制一組稱爲一個byte,用16進制來表示。 　

說這個有什麼意思呢？

想告訴你一個事實， 就是，python2的字符串其實更應該稱爲字節串。 通過存儲方式就能看出來， 但python2裏還有一個類型是bytes呀，難道又叫bytes又叫字符串？ 嗯 ，是的，在python2裏，bytes == str ， 其實就是一回事　

除此之外呢， python2裏還有個單獨的類型是unicode , 把字符串解碼後，就會變成unicode

1 2 3 4 5 6

>>> s '\xe8\xb7\xaf\xe9\xa3\x9e' #utf-8 >>> s.decode('utf-8') u'\u8def\u98de' #unicode 在unicode編碼表裏對應的位置 >>> print(s.decode('utf-8')) 路飛 #unicode 格式的字符

由於Python創始人在開發初期認知的侷限性，其並未預料到python能發展成一個全球流行的語言，導致其開發初期並沒有把支持全球各國語言當做重要的事情來做，所以就輕佻的把ASCII當做了默認編碼。 當後來大家對支持漢字、日文、法語等語言的呼聲越來越高時，Python於是準備引入unicode,但若直接把默認編碼改成unicode的話是不現實的， 因爲很多軟件就是基於之前的默認編碼ASCII開發的，編碼一換，那些軟件的編碼就都亂了。所以Python 2 就直接 搞了一個新的字符類型，就叫unicode類型，比如你想讓你的中文在全球所有電腦上正常顯示，在內存裏就得把字符串存成unicode類型

1 2 3 4 5 6 7 8

>>> s = "路飛" >>> s '\xe8\xb7\xaf\xe9\xa3\x9e' >>> s2 = s.decode("utf-8") >>> s2 u'\u8def\u98de' >>> type(s2) <type 'unicode'>

時間來到2008年，python發展已近20年，創始人龜叔越來越覺得python裏的好多東西已發展的不像他的初衷那樣，開始變得臃腫、不簡潔、且有些設計讓人摸不到頭腦，比如unicode 與str類型，str 與bytes類型的關係，這給很多python程序員造成了困擾。
龜叔再也忍不了，像之前一樣的修修補補已不能讓Python變的更好，於是來了個大變革，Python3橫空出世，不兼容python2,python3比python2做了非常多的改進，其中一個就是終於把字符串變成了unicode,文件默認編碼變成了utf-8,這意味着，只要用python3,無論你的程序是以哪種編碼開發的，都可以在全球各國電腦上正常顯示，真是太棒啦！

PY3 除了把字符串的編碼改成了unicode, 還把str 和bytes 做了明確區分， str 就是unicode格式的字符， bytes就是單純二進制啦。

最後一個問題，爲什麼在py3裏，把unicode編碼後，字符串就變成了bytes格式？ 你直接給我直接打印成gbk的字符展示不好麼？我想其實py3的設計真是煞費苦心，就是想通過這樣的方式明確的告訴你，想在py3裏看字符，必須得是unicode編碼，其它編碼一律按bytes格式展示。 

 

好吧，就說這麼多吧。 

 

 

最後再提示一下，Python只要出現各種編碼問題，無非是哪裏的編碼設置出錯了
常見編碼錯誤的原因有：

• Python解釋器的默認編碼
• Python源文件文件編碼
• Terminal使用的編碼
• 操作系統的語言設置

掌握了編碼之前的關係後，挨個排錯就好啦