Python中的编码问题

花了点时间研究了一下Python中的编码问题，在Python2.*的版本中存在着以下两种字符串的类型：

• Str类型：这里说的Str类型和我们在C语言里用到的字符串是一个概念，本质就是一个Bytes数组。这个Bytes数组内可以存任意的形式，可以想象“UTF-8”格式的字符串、“GBK”格式的字符串、原始格式的字符串等，他们的二进制都不一样，这些二进制都可以放进Str类型里，为我们带来不少困扰，有时候并不知道这个字符串是啥类型的。例如“编码”这两个汉字用UTF-8格式编码对应的二进制就是'\xe7\xbc\x96\xe7\xa0\x81'，可以放进这个str类型里
• Unicode类型: 这里说的Unicode指的是一串Unicode的数字映射(code point), 用于映射某个字符与一个Unicode的对应关系。Unicode就是为了统一各国各地区的编码规则, 重新搞了一套包罗地球上所有文化符号的字符集。Unicode没有编码规则, 只是一套包含全世界符号的字符集。Unicode并不完美，所以之后还出现了UTF-8、UTF-16等，可以认为Unicode和UTF-8对应的二进制是不一样的，UTF-8对应的二进制可以放进Str类型里，Unicode对应的的数字映射可以放进Unicode类型里，例如“编码”这两个汉字用Unicode映射对应的结果是u'\u7f16\u7801'。

   【Python字符串中的Str类型和Unicode类型】

    因此，同样是“编码”两个汉字，分别用Str类型和Unicode类型保存时对应的Type完全不一样，以下是他们赋值操作的区别：

   【Str类型和Unicode类型的相互转换】

当然，Python2提供了这两种字符串类型的转换，encode的本意是从Unicode类型转Str类型，decode反之。但是在Python 2.7版本中，还存在str类型.encode(“utf8”)变成另外一个str类型的情况，这让函数的调用更加复杂。在Anaconda Python2.7版本中，中文Str类型.encode(“utf8”)是不支持的，会直接抛Exception。但是在IronPython 2.7版本中，中文Str类型.encode(“utf8”)是支持的，但是会把中文encode成乱码，如下两图所示：

Anaconda Python2.7 不支持中文Str类型.encode(“utf8”)	IronPython2.7支持中文Str类型.encode(“utf8”)

   【json.dumps()函数的ensure_ascii参数】

json.dumps()函数在Anaconda Python2.7和IronPython2.7的行为也是不同的，这个函数有一个重要参数ensure_ascii。Python2.7官方文档对这个参数的解释是：If ensure_ascii is true (the default), all non-ASCII characters in the output are escaped with \uXXXX sequences, and the result is a str instance consisting of ASCII characters only. Ifensure_ascii is false, some chunks written to fp may be unicode instances. This usually happens because the input contains unicode strings or the encoding parameter is used. 因此，在Anaconda Python2.7中，json.dumps(object, ensure_ascii=True)并不能序列化中文对象；但是在IronPython2.7中json.dumps(object, ensure_ascii=True)在多数情况下是可以序列化中文对象的并且返回一个包含\u序列的中文类型，但在少数情况下，如果原始字符串中存在二进制字符，也会抛错，以下是例子：

           

Anaconda Python2.7 不支持json.dumps(中文object, ensure_ascii=True)	IronPython2.7 多数情况支持json.dumps(中文object, ensure_ascii=True)，个别情况不支持json.dumps(中文object, ensure_ascii=True)
	例如 TraceId:938e8b9c5289aebba98a81b146982d6a

 

[Python3的行为]

 Python3中str类型直接变成了class str而不是type str，同时encode的结果直接变成了bytes class，避免了胡乱encode的问题。但是如果想要打印一个中文Object仍然需要json.dumps(中文object, ensure_ascii=False)