在本文中，以'哈'来解释作示例解释所有的问题，“哈”的各种编码如下：


  1. UNICODE (UTF8-16)，C854；


  2． UTF-8，E59388；


  3． GBK，B9FE。


一、python中的str和unicode


一直以来，python中的中文编码就是一个极为头大的问题，经常抛出编码转换的异常，python中的str和unicode到底是一个什么东西呢？


在python中提到unicode，一般指的是unicode对象。


例如'哈哈'的unicode对象为

u'/u54c8/u54c8'

复制代码


而str，是一个字节数组，这个字节数组表示的是对unicode对象编码(可以是utf-8、gbk、cp936、GB2312)后的存储的格式。

这里它仅仅是一个字节流，没有其它的含义，如果你想使这个字节流显示的内容有意义，就必须用正确的编码格式，解码显示。


例如：


在这里 su 是unicode对象，

s_utf8是字节数组，存储的是unicode 经过utf8编码后的字节，'/xe5/x93/x88/xe5/x93/x88'

同样，s_gbk存储的是unicode经过gbk编码后的字节。


在上面print中，为什么print s_utf8为乱码，而print s_gbk就可以显示的是中文？


因为print语句它的实现是将要输出的内容传送了操作系统，操作系统会根据系统的编码对输入的字节流进行编码，这就解释了为什么utf-8格式的字符串“哈哈”，输出的是“鍝堝搱”，因为'/xe5/x93/x88/xe5/x93/x88'用GB2312去解释，其显示的出来就是“鍝堝搱”。


这里再强调一下，str记录的是字节数组，只是某种编码的存储格式，至于输出到文件或是打印出来是什么格式，完全取决于其解码的编码将它解码成什么样子。


这里再对print进行一点补充说明：当将一个unicode对象传给print时，在内部会将该unicode对象进行一次转换，转换成本地的默认编码（这仅是个人猜测）



二、str和unicode对象的转换


str和unicode对象的转换，通过encode和decode实现，具体使用如下：



将GBK'哈哈'转换成unicode，然后再转换成UTF8




三、设定默认编码 Setdefaultencoding



如上图的演示代码所示：


当把s(gbk字符串)直接编码成utf-8的时候，将抛出异常，但是通过调用如下代码：


import sys


reload(sys)


sys.setdefaultencoding('gbk')

复制代码

后就可以转换成功，为什么呢？

在python中str和unicode在编码和解码过程中，如果将一个str直接编码成另一种编码，会先把str解码成unicode，采用的编码为默认编码，一般默认编码是anscii，所以在上面示例代码中第一次转换的时候会出错，当设定当前默认编码为'gbk'后，就不会出错了。


至于reload(sys)是因为Python2.5 初始化后会删除 sys.setdefaultencoding 这个方法，我们需要重新载入。




四、操作不同文件的编码格式的文件


建立一个文件test.txt，文件格式用ANSI，内容为:

abc中文

复制代码


用python来读取

# coding=gbk


print open("Test.txt").read()

复制代码


结果：

abc中文

复制代码



把文件格式改成UTF-8：


结果：

abc涓菡孧

复制代码



显然，这里需要解码：

# coding=gbk


import codecs


print open("Test.txt").read().decode("utf-8")

复制代码


结果：

abc中文

复制代码



上面的test.txt我是用Editplus来编辑的，但当我用Windows自带的记事本编辑并存成UTF-8格式时，


运行时报错：

Traceback (most recent call last):


File "ChineseTest.py", line 3, in 


print open("Test.txt").read().decode("utf-8")


UnicodeEncodeError: 'gbk' codec can't encode character u'/ufeff' in position 0: illegal multibyte sequence

复制代码

原来，某些软件，如notepad，在保存一个以UTF-8编码的文件时，会在文件开始的地方插入三个不可见的字符（0xEF 0xBB 0xBF，即BOM）。


因此我们在读取时需要自己去掉这些字符，python中的codecs module定义了这个常量：

# coding=gbk


import codecs


data = open("Test.txt").read()


if data[:3] == codecs.BOM_UTF8:


data = data[3:]


print data.decode("utf-8")

复制代码


结果：

abc中文

复制代码




五、文件的编码格式和编码声明的作用


源文件的编码格式对字符串的声明有什么作用呢？

这个问题困扰一直困扰了我好久，现在终于有点眉目了，文件的编码格式决定了在该源文件中声明的字符串的编码格式，例如：

str = '哈哈'


print repr(str)

复制代码


a.如果文件格式为utf-8，则str的值为：'/xe5/x93/x88/xe5/x93/x88'（哈哈的utf-8编码）


b.如果文件格式为gbk，则str的值为：'/xb9/xfe/xb9/xfe'（哈哈的gbk编码）


在第一节已经说过，python中的字符串，只是一个字节数组，所以当把a情况的str输出到gbk编码的控制台时，就将显示为乱码：鍝堝搱；而当把b情况下的str输出utf-8编码的控制台时，也将显示乱码的问题，是什么也没有，也许'/xb9/xfe/xb9/xfe'用utf-8解码显示，就是空白吧。>_<


说完文件格式，现在来谈谈编码声明的作用吧，每个文件在最上面的地方，都会用# coding=gbk 类似的语句声明一下编码，但是这个声明到底有什么用呢？到止前为止，我觉得它的作用也就是三个：



a、声明源文件中将出现非ascii编码，通常也就是中文；

b、在高级的IDE中，IDE会将你的文件格式保存成你指定编码格式。

c、决定源码中类似于u'哈'这类声明的将‘哈’解码成unicode所用的编码格式，也是一个比较容易让人迷惑的地方，

看示例：

#coding:gbk

ss = u'哈哈'


print repr(ss)


print 'ss:%s' % ss

复制代码


将这个些代码保存成一个utf-8文本，运行，你认为会输出什么呢？大家第一感觉肯定输出的肯定是：

u'/u54c8/u54c8'


ss:哈哈

复制代码


但是实际上输出是：

u'/u935d/u581d/u6431'


ss:鍝堝搱

复制代码


为什么会这样，这时候，就是编码声明在作怪了，在运行ss = u'哈哈'的时候，整个过程可以分为以下几步：


1) 获取'哈哈'的编码：由文件编码格式确定，为'/xe5/x93/x88/xe5/x93/x88'（哈哈的utf-8编码形式）


2) 转成unicode编码的时候，在这个转换的过程中，对于'/xe5/x93/x88/xe5/x93/x88'的解码，不是用utf-8解码，而是用声明编码处指定的编码GBK，将'/xe5/x93/x88/xe5/x93/x88'按GBK解码，得到就是''鍝堝搱''，

这三个字的unicode编码就是u'/u935d/u581d/u6431'，至止可以解释为什么print repr(ss)输出的是u'/u935d/u581d/u6431'了。


好了，这里有点绕，我们来分析下一个示例：

#-*- coding:utf-8 -*-


ss = u'哈哈'


print repr(ss)


print 'ss:%s' % ss

复制代码


将这个示例这次保存成GBK编码形式，运行结果，竟然是：

UnicodeDecodeError: 'utf8' codec can't decode byte 0xb9 in position 0: unexpected code byte

复制代码


这里为什么会有utf8解码错误呢？想想上个示例也明白了，

转换第一步，因为文件编码是GBK，得到的是'哈哈'编码是GBK的编码'/xb9/xfe/xb9/xfe'，

当进行第二步，转换成unicode的时候，会用UTF8对'/xb9/xfe/xb9/xfe'进行解码，而大家查utf-8的编码表会发现，utf8编码表（关于UTF-8解释可参见字符编码笔记：ASCII、UTF-8、UNICODE）中根本不存在，所以会报上述错误。



本文出自别人博客，请务必保留此出处http://www.djangochina.cn/forum.php?mod=viewthread&tid=118621