Python的字符串编码
1. 关于Unicode的简单小结
中文字符编码(属于双字节字符集)集的表示范围:GB2312 < GBK < GB18030
Unicode、UCS和UTF
其中,UCS是Unicode的全称,即"Universal Multiple-Octet Coded CharacterSet",是字符的编码表示方式,UCS分为UCS-2和UCS-4两种。UCS-2使用2个字节编码,UCS-4使用4个字节编码。
UTF则制订了如何传输UNICODE的方法,主要有UTF8,UTF16,UTF32等。例如:
“汉”字的Unicode编码是6C49,而其UTF-8字节流为:E6 B1 89,如下所示:
UTF字节序,文件格式和BOM
UTF-8以字节为编码单元,没有字节序的问题。UTF-16以两个字节为编码单元,在解释一个UTF-16文本前,首先要弄清楚每个编码单元的字节序。BOM即为字节序的标记方法。
在UCS编码中,有一个"ZERO WIDTH NO-BREAKSPACE"的字符,其编码是FEFF,而FFFE在UCS中不存在,所以UCS规范建议传输字节流前,先传输"ZERO WIDTH NO-BREAKSPACE",即FEFF。这样,如果文件开头为FFFE,则表示文件是Little-Endian的,即UTF-16-Little-Endian格式,如果文件头为FEFF,则表示文件是UTF-16-Big-Endian格式。
UTF8不需要字节序的声明,但是采用了BOM表明编码方式。而FEFF的UTF8编码为EFBBBF,所以如果文件头为EFBBBF,则该文件是UTF8编码。
2. Python中的print和汉字
print会对输出的文本做自动的编码转换, print转换的目的编码和环境变量有关,Windows XP是转换为gbk的。可以使用用locale模块的getdefaultlocale方法获得当前环境的编码。而print在输出时会把字符串自动转换为这种编码。
3. Python编译器和源文件的字符集编码
Python解析器读入文件时,先解析文件中的编码声明,我们假设文件的编码为gb2312,那么先将文件中的内容由gb2312转换成Unicode,然后再把这些Unicode转换为UTF-8格式的字节串。完成这一步骤后,解析器把这些UTF-8字节串分段,解析。如果遇到使用Unicode字符串,那么就使用相应的UTF-8字节串创建Unicode字符串,如果程序中使用的是一般的字符串,那么解析器先将UTF-8字节串通过Unicode转换成相应编码(这里就是gb2312编码)的字节串,并用其创建一般的字符串对象。也就是说,Unicode字符串跟一般字符串在内存中的存放格式是不一样的,前者使用UTF-8的格式,后者使用GB2312格式。
注:字符集编码不要使用两字节或以上的方式,例如UTF16。否则会增加python解析器的复杂度。
以下是使用默认编码:
以下是声明UTF8后。
4. Python中的encode和decode
Python里有两种字符串,一种是Unicode字符串,一种是一般的字符串。
Python里字符串的encode函数负责将unicode字符串转化为另外一种Unicode编码形式。
decode函数负责将一般的字符串进行解码,结果为unicode编码。还有一点是unicode()负责将一般的字符串解码为指定格式的unicode字符串。