Python3 是如何解決棘手的字符編碼問題的？

題圖：unsplash.com

Python3 最重要的一項改進之一就是解決了 Python2 中字符串與字符編碼遺留下來的這個大坑。Python 編碼為什么那么蛋疼？已經介紹過 Python2 字符串設計上的一些缺陷：

- 使用 ASCII 碼作為默認編碼方式，對中文處理很不友好。

- 把字符串牽強地分為 unicode 和 str 兩種類型，誤導開發者

當然這并不算Bug，只要處理的時候多留心也可以避免這些坑。但在 Python3兩個問題都很好的解決了。

首先，Python3把系統默認編碼設置為UTF-8

>>> import sys
>>> sys.getdefaultencoding()
'utf-8'
>>>

然后，文本字符和二進制數據區分得更清晰，分別用str和bytes表示。文本字符全部用str類型表示，str能表示Unicode字符集中所有字符，而二進制字節數據用一種全新的數據類型，用bytes來表示。

str

>>> a = "a"
>>> a
'a'
>>> type(a)
<class 'str'>

>>> b = "禪"
>>> b
'禪'
>>> type(b)
<class 'str'>

bytes

Python3 中，在字符引號前加‘b’，明確表示這是一個 bytes 類型的對象，實際上它就是一組二進制字節序列組成的數據，bytes 類型可以是 ASCII范圍內的字符和其它十六進制形式的字符數據，但不能用中文等非ASCII字符表示。

>>> c = b'a'
>>> c
b'a'
>>> type(c)
<class 'bytes'>

>>> d = b'\xe7\xa6\x85'
>>> d
b'\xe7\xa6\x85'
>>> type(d)
<class 'bytes'>
>>>

>>> e = b'禪'
  File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.

bytes類型提供的操作和str一樣，支持分片、索引、基本數值運算等操作。但是str與bytes類型的數據不能執行+操作，盡管在py2中是可行的。

>>> b"a"+b"c"
b'ac'
>>> b"a"*2
b'aa'
>>> b"abcdef\xd6"[1:]
b'bcdef\xd6'
>>> b"abcdef\xd6"[-1]
214

>>> b"a" + "b"
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: can't concat bytes to str

python2與python3字節與字符的對應關系

encode 與 decode

str與bytes之間的轉換可以用encode和從decode方法。

encode負責字符到字節的編碼轉換。默認使用UTF-8編碼準換。

>>> s = "Python之禪"
>>> s.encode()
b'Python\xe4\xb9\x8b\xe7\xa6\x85'
>>> s.encode("gbk")
b'Python\xd6\xae\xec\xf8'

decode負責字節到字符的解碼轉換，通用使用UTF-8編碼格式進行轉換。

>>> b'Python\xe4\xb9\x8b\xe7\xa6\x85'.decode()
'Python之禪'
>>> b'Python\xd6\xae\xec\xf8'.decode("gbk")
'Python之禪'

來自: 微信公眾號Python之禪（VTtalk）