Python 編碼為什么那么蛋疼？

據說，每個做 Python 開發的都被字符編碼的問題搞暈過，最常見的錯誤就是 UnicodeEncodeError、UnicodeDecodeError，你好像知道怎么解決，遺憾的是，錯誤又出現在其它地方，問題總是重蹈覆轍，str 到 unicode 之間的轉換用 decode 還是 encode 方法還特不好記，老是混淆，問題究竟出在哪里？

為了弄清楚這個問題，我決定從 python 字符串的構成以及字符編碼的細節上進行深入淺出的分析

字節與字符

計算機存儲的一切數據，文本字符、圖片、視頻、音頻、軟件都是由一串01的字節序列構成的，一個字節等于8個比特位。

而字符就是一個符號，比如一個漢字、一個英文字母、一個數字、一個標點都可以稱為一個字符。

字節方便存儲和網絡傳輸，而字符用于顯示，方便閱讀。例如字符 "p" 存儲到硬盤是一串二進制數據 01110000 ，占用一個字節的長度

編碼與解碼

我們用編輯器打開的文本，看到的一個個字符，最終保存在磁盤的時候都是以二進制字節序列形式存起來的。那么從字符到字節的轉換過程就叫做編碼（encode），反過來叫做解碼（decode），兩者是一個可逆的過程。編碼是為了存儲傳輸，解碼是為了方便顯示閱讀。

例如字符 "p" 經過編碼處理保存到硬盤是一串二進制字節序列 01110000 ，占用一個字節的長度。字符 "禪" 有可能是以 "11100111 10100110 10000101" 占用3個字節的長度存儲，為什么說是有可能呢？這個放到后面再說。

Python 的編碼為什么那么蛋疼？當然，這不能怪開發者。

這是因為 Python2 使用 ASCII 字符編碼作為默認編碼方式，而 ASCII 不能處理中文，那么為什么不用 UTf-8 呢？因為 Guido 老爹為 Python 編寫第一行代碼是在1989年的冬天，1991年2月正式開源發布了第一個版本，而 Unicode 是1991年10月發布的，也就是說 Python 這門語言創立的時候 UTF-8 還沒誕生，這是其一。

Python 把字符串的類型還搞成兩種，unicode 和 str ，以至于把開發者都弄糊涂了，這是其二。python3 徹底把 字符串重新改造了，只保留一種類型，這是后話，以后再說。

str與unicode

Python2 把字符串分為 unicode 和 str 兩種類型。本質上 str 是一串二進制字節序列，下面的示例代碼可以看出 str 類型的 "禪" 打印出來是十六進制的 \xec\xf8 ，對應的二進制字節序列就是 '11101100 11111000'。

>>> s = '禪'
>>> s
'\xec\xf8'
>>> type(s)
<type 'str'>

而 unicode 類型的 u"禪" 對應的 unicode 符號是 u'\u7985'

>>> u = u"禪"
>>> u
u'\u7985'
>>> type(u)
<type 'unicode'>

我們要把 unicode 符號保存到文件或者傳輸到網絡就需要經過編碼處理轉換成 str 類型，于是 python 提供了 encode 方法，從 unicode 轉換到 str，反之亦然。

encode

>>> u = u"禪"
>>> u
u'\u7985'
>>> u.encode("utf-8")
'\xe7\xa6\x85'

decode

>>> s = "禪"
>>> s.decode("utf-8")
u'\u7985'
>>>

不少初學者怎么也記不住 str 與 unicode 之間的轉換用 encode 還是 decode，如果你記住了 str 本質上其實是一串二進制數據，而 unicode 是字符（符號），編碼（encode）就是把字符（符號）轉換為 二進制數據的過程，因此 unicode 到 str 的轉換要用 encode 方法，反過來就是用 decode 方法。

encoding always takes a Unicode string and returns a bytes sequence, and decoding always takes a bytes sequence and returns a Unicode string".

清楚了 str 與 unicode 之間的轉換關系之后，我們來看看什么時候會出現 UnicodeEncodeError、UnicodeDecodeError 錯誤。

UnicodeEncodeError

UnicodeEncodeError 發生在 unicode 字符串轉換成 str 字節序列的時候，來看一個例子，把一串 unicode 字符串保存到文件

# -*- coding:utf-8 -*-
def main():
    name = u'Python之禪'
    f = open("output.txt", "w")
    f.write(name)

錯誤日志

UnicodeEncodeError: 'ascii' codec can't encode characters in position 6-7: ordinal not in range(128)

為什么會出現 UnicodeEncodeError？

因為調用 write 方法時，Python 會先判斷字符串是什么類型，如果是 str，就直接寫入文件，不需要編碼，因為 str 類型的字符串本身就是一串二進制的字節序列了。

如果字符串是 unicode 類型，那么它會先調用 encode 方法把 unicode 字符串轉換成二進制形式的 str 類型，才保存到文件，而 encode 方法會使用 python 默認的 ascii 碼來編碼

相當于：

>>> u"Python之禪".encode("ascii")

但是，我們知道 ASCII 字符集中只包含了128個拉丁字母，不包括中文字符，因此 出現了 'ascii' codec can't encode characters 的錯誤。要正確地使用 encode ，就必須指定一個包含了中文字符的字符集，比如：UTF-8、GBK。

>>> u"Python之禪".encode("utf-8")
'Python\xe4\xb9\x8b\xe7\xa6\x85'

>>> u"Python之禪".encode("gbk")
'Python\xd6\xae\xec\xf8'

所以要把 unicode 字符串正確地寫入文件，就應該預先把字符串進行 UTF-8 或 GBK 編碼轉換。

def main():
    name = u'Python之禪'
    name = name.encode('utf-8')
    with open("output.txt", "w") as f:
        f.write(name)

當然，把 unicode 字符串正確地寫入文件不止一種方式，但原理是一樣的，這里不再介紹，把字符串寫入數據庫，傳輸到網絡都是同樣的原理

UnicodeDecodeError

UnicodeDecodeError 發生在 str 類型的字節序列解碼成 unicode 類型的字符串時

>>> a = u"禪"
>>> a
u'\u7985'
>>> b = a.encode("utf-8")
>>> b
'\xe7\xa6\x85'
>>> b.decode("gbk")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'gbk' codec can't decode byte 0x85 in position 2: incomplete multibyte sequence

把一個經過 UTF-8 編碼后生成的字節序列 '\xe7\xa6\x85' 再用 GBK 解碼轉換成 unicode 字符串時，出現 UnicodeDecodeError，因為 （對于中文字符）GBK 編碼只占用兩個字節，而 UTF-8 占用3個字節，用 GBK 轉換時，還多出一個字節，因此它沒法解析。避免 UnicodeDecodeError 的關鍵是保持 編碼和解碼時用的編碼類型一致。

這也回答了文章開頭說的字符 "禪"，保存到文件中有可能占3個字節，有可能占2個字節，具體處決于 encode 的時候指定的編碼格式是什么。

再舉一個 UnicodeDecodeError 的例子

>>> x = u"Python"
>>> y = "之禪"
>>> x + y
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)
>>>

str 與 unicode 字符串 執行 + 操作是，Python 會把 str 類型的字節序列隱式地轉換成（解碼）成 和 x 一樣的 unicode 類型，但Python是使用默認的 ascii 編碼來轉換的，而 ASCII 中不包含中文，所以報錯了。

>>> y.decode('ascii')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)

正確地方式應該是顯示地把 y 用 UTF-8 或者 GBK 進行解碼。

>>> x = u"Python"
>>> y = "之禪"
>>> y = y.decode("utf-8")
>>> x + y
u'Python\u4e4b\u7985'

 

 

來自：https://foofish.net/why-python-encoding-is-tricky.html