python的decode和encode

——————————————————————————————————————

    python 内置的文字编码是utf8

    decode 的作用是将其他编码转为utf8，如str.decode('gbk')将gbk编码转为utf8

    encode 的作用将utf8编码转为其他编码，如str.encode('gbk')将utf8转为gbk

——————————————————————————————————————

这是从网上找到的资料，但是这样的话encode('utf8')方法岂不是很鸡肋？？？

还是自己试验一次比较好，

>>> s = '我'
>>> s
'\xce\xd2'
>>> s1 = s.decode('gbk')
>>> s1
u'\u6211'
>>> s2 = s1.encode('utf8')
>>> s2
'\xe6\x88\x91'
>>> len(s)
2
>>> len(s1)
1
>>> len(s2)
3

这样看来似乎清晰了一些，Python内置的utf8和encode之后的utf8其实不是同样的“类"：

内置的是一个每个字符长度为1的字符串，而转换之后的则是更像真实的内存里的状态，由3个字节组成，

我又写了两个文件来验证，分别采用gbk和utf8编码（额，显示代码部分没有转16进制）

gbk版

s = '我'
s1 = s.decode('gbk')
s2 = s1.encode('utf8')
s3 = s1.encode('gbk')
def getCode(c):
    code = ''
    for i in c:
        code += "\\"+str(ord(i))
    return code
print getCode(s),getCode(s1),getCode(s2),getCode(s3)
print s,s1,s2
print len(s),len(s1),len(s2),len(s3)

然后是utf8版

# coding:utf8
s = '我'
s1 = s.decode('utf8')
s2 = s1.encode('utf8')
s3 = s1.encode('gbk')
def getCode(c):
    code = ''
    for i in c:
        code += "\\"+str(ord(i))
    return code
print getCode(s),getCode(s1),getCode(s2),getCode(s3)
print s,s1,s2,s3
print len(s),len(s1),len(s2),len(s3)

两个版本分别在cmd窗口，eclipse，idle下运行，情况如下：

idle全部能正常显示（哇！兼容做得不错，赞一个），

gbk

\206\210 \25105 \230\136\145 \206\210
我 我 我
2 1 3 2

utf8

\230\136\145 \25105 \230\136\145 \206\210
我 我 我 我
3 1 3 2

eclipse utf8版本最后一个字符乱码，另外一个报错

cmd窗口utf8”半显示”，只有1个长度的utf8和2个长度的gbk能正常显示，其他的乱码（看来python运行的cmd是采用utf8的。。。），gbk报错

结论

Python并不是以UTF8作为默认编码的，而是以Unicode作为默认编码，Unicode是一种编码规范，并不是一种实现，所以我们看到s.decode('utf-8')之后的字符长度是1，只有一个数字。

换句话说，Unicode提供了一套标准，为每个字符设置一个编码值，具体的实现则交给UTF-8等支持Unicode规范的编码去实现。（GBK不支持Unicode）

所以在Python2中，字符编码的关系是