python字符编码详细介绍

1. 字符编码#code/7126.html” target=”_blank”>简介

1.1. ascii

ascii(american standard code for information interchange),是一种单字节的编码。计算机世界里一开始只有英文,而单字节可以表示256个不同的字符,可以表示所有的英文字符和许多的控制符号。不过ascii只用到了其中的一半(\x80以下),这也是mbcs得以实现的基础。

1.2. mbcs

然而计算机世界里很快就有了其他语言,单字节的ascii已无法满足需求。后来每个语言就制定了一套自己的编码,由于单字节能表示的字符太少,而且同时也需要与ascii编码保持兼容,所以这些编码纷纷使用了多字节来表示字符,如gbxxx、bigxxx等等,他们的规则是,如果第一个字节是\x80以下,则仍然表示ascii字符;而如果是\x80以上,则跟下一个字节一起(共两个字节)表示一个字符,然后跳过下一个字节,继续往下判断。

这里,ibm发明了一个叫code page的概念,将这些编码都收入囊中并分配页码,gbk是第936页,也就是cp936。所以,也可以使用cp936表示gbk。

mbcs(multi-byte character set)是这些编码的统称。目前为止大家都是用了双字节,所以有时候也叫做dbcs(double-byte character set)。必须明确的是,mbcs并不是某一种特定的编码,windows里根据你设定的区域不同,mbcs指代不同的编码,而linux里无法使用mbcs作为编码。在windows中你看不到mbcs这几个字符,因为微软为了更加洋气,使用了ansi来吓唬人,记事本的另存为对话框里编码ansi就是mbcs。同时,在简体中文windows默认的区域设定里,指代gbk。

1.3. unicode

后来,有人开始觉得太多编码导致世界变得过于复杂了,让人脑袋疼,于是大家坐在一起拍脑袋想出来一个方法:所有语言的字符都用同一种字符集来表示,这就是unicode。

最初的unicode标准ucs-2使用两个字节表示一个字符,所以你常常可以听到unicode使用两个字节表示一个字符的说法。但过了不久有人觉得256*256太少了,还是不够用,于是出现了ucs-4标准,它使用4个字节表示一个字符,不过我们用的最多的仍然是ucs-2。

ucs(unicode character set)还仅仅是字符对应码位的一张表而已,比如”汉”这个字的码位是6c49。字符具体如何传输和储存则是由utf(ucs transformation format)来负责。

一开始这事很简单,直接使用ucs的码位来保存,这就是utf-16,比如,”汉”直接使用\x6c\x49保存(utf-16-be),或是倒过来使用\x49\x6c保存(utf-16-le)。但用着用着美国人觉得自己吃了大亏,以前英文字母只需要一个字节就能保存了,现在大锅饭一吃变成了两个字节,空间消耗大了一倍……于是utf-8横空出世。

utf-8是一种很别扭的编码,具体表现在他是变长的,并且兼容ascii,ascii字符使用1字节表示。然而这里省了的必定是从别的地方抠出来的,你肯定也听说过utf-8里中文字符使用3个字节来保存吧?4个字节保存的字符更是在泪奔……(具体ucs-2是怎么变成utf-8的请自行搜索)

另外值得一提的是bom(byte order mark)。我们在储存文件时,文件使用的编码并没有保存,打开时则需要我们记住原先保存时使用的编码并使用这个编码打开,这样一来就产生了许多麻烦。(你可能想说记事本打开文件时并没有让选编码?不妨先打开记事本再使用文件 -> 打开看看)而utf则引入了bom来表示自身编码,如果一开始读入的几个字节是其中之一,则代表接下来要读取的文字使用的编码是相应的编码:

bom_utf8 ‘\xef\xbb\xbf’ bom_utf16_le ‘\xff\xfe’ bom_utf16_be ‘\xfe\xff’

并不是所有的编辑器都会写入bom,但即使没有bom,unicode还是可以读取的,只是像mbcs的编码一样,需要另行指定具体的编码,否则解码将会失败。

你可能听说过utf-8不需要bom,这种说法是不对的,只是绝大多数编辑器在没有bom时都是以utf-8作为默认编码读取。即使是保存时默认使用ansi(mbcs)的记事本,在读取文件时也是先使用utf-8测试编码,如果可以成功解码,则使用utf-8解码。记事本这个别扭的做法造成了一个bug:如果你新建文本文件并输入”姹塧”然后使用ansi(mbcs)保存,再打开就会变成”汉a”,你不妨试试 :)

2. python2.x中的编码问题

2.1. str和unicode

str和unicode都是basestring的子类。严格意义上说,str其实是字节串,它是unicode经过编码后的字节组成的序列。对utf-8编码的str’汉’使用len()函数时,结果是3,因为实际上,utf-8编码的’汉’ == ‘\xe6\xb1\x89’。

unicode才是真正意义上的字符串,对字节串str使用正确的字符编码进行解码后获得,并且len(u’汉’) == 1。

再来看看encode()和decode()两个basestring的实例方法,理解了str和unicode的区别后,这两个方法就不会再混淆了:

# coding: utf-8
u = u’汉’
print repr(u) # u’\u6c49′
s = u.encode(‘utf-8’)
print repr(s) # ‘\xe6\xb1\x89’
u2 = s.decode(‘utf-8′)
print repr(u2) # u’\u6c49’
# 对unicode进行解码是错误的
# s2 = u.decode(‘utf-8’)
# 同样,对str进行编码也是错误的
# u2 = s.encode(‘utf-8’)

需要注意的是,虽然对str调用encode()方法是错误的,但实际上python不会抛出异常,而是返回另外一个相同内容但不同id的str;对unicode调用decode()方法也是这样。很不理解为什么不把encode()和decode()分别放在unicode和str中而是都放在basestring中,但既然已经这样了,我们就小心避免犯错吧。

2.2. 字符编码声明

源代码文件中,如果有用到非ascii字符,则需要在文件头部进行字符编码的声明,如下:

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

实际上python只检查#、coding和编码字符串,其他的字符都是为了美观加上的。另外,python中可用的字符编码有很多,并且还有许多别名,还不区分大小写,比如utf-8可以写成u8。参见http://docs.python.org/library/codecs.html#standard-encodings。

另外需要注意的是声明的编码必须与文件实际保存时用的编码一致,否则很大几率会出现代码解析异常。现在的ide一般会自动处理这种情况,改变声明后同时换成声明的编码保存,但文本编辑器控们需要小心 :)

2.3. 读写文件

内置的open()方法打开文件时,read()读取的是str,读取后需要使用正确的编码格式进行decode()。write()写入时,如果参数是unicode,则需要使用你希望写入的编码进行encode(),如果是其他编码格式的str,则需要先用该str的编码进行decode(),转成unicode后再使用写入的编码进行encode()。如果直接将unicode作为参数传入write()方法,python将先使用源代码文件声明的字符编码进行编码然后写入。

# coding: utf-8
f = open(‘test.txt’)
s = f.read()
f.close()
print type(s) #
# 已知是gbk编码,解码成unicode
u = s.decode(‘gbk’)
f = open(‘test.txt’, ‘w’)
# 编码成utf-8编码的str
s = u.encode(‘utf-8’)
f.write(s)
f.close()

另外,模块codecs提供了一个open()方法,可以指定一个编码打开文件,使用这个方法打开的文件读取返回的将是unicode。写入时,如果参数是unicode,则使用open()时指定的编码进行编码后写入;如果是str,则先根据源代码文件声明的字符编码,解码成unicode后再进行前述操作。相对内置的open()来说,这个方法比较不容易在编码上出现问题。

# coding: gbk
import codecs
f = codecs.open(‘test.txt’, encoding=’utf-8′)
u = f.read()
f.close()
print type(u) #
f = codecs.open(‘test.txt’, ‘a’, encoding=’utf-8′)
# 写入unicode
f.write(u)
# 写入str,自动进行解码编码操作
# gbk编码的str
s = ‘汉’
print repr(s) # ‘\xba\xba’
# 这里会先将gbk编码的str解码为unicode再编码为utf-8写入
f.write(s)
f.close()

2.4. 与编码相关的方法

sys/locale模块中提供了一些获取当前环境下的默认编码的方法。

# coding:gbk
import sys
import locale
def p(f):
print ‘%s.%s(): %s’ % (f.module, f.name, f())
# 返回当前系统所使用的默认字符编码
p(sys.getdefaultencoding)
# 返回用于转换unicode文件名至系统文件名所使用的编码
p(sys.getfilesystemencoding)
# 获取默认的区域设置并返回元祖(语言, 编码)
p(locale.getdefaultlocale)
# 返回用户设定的文本数据编码
# 文档提到this function only returns a guess
p(locale.getpreferredencoding)
# \xba\xba是’汉’的gbk编码
# mbcs是不推荐使用的编码,这里仅作测试表明为什么不应该用
print r”‘\xba\xba’.decode(‘mbcs’):”, repr(‘\xba\xba’.decode(‘mbcs’))
#在笔者的windows上的结果(区域设置为中文(简体, 中国))
#sys.getdefaultencoding(): gbk
#sys.getfilesystemencoding(): mbcs
#locale.getdefaultlocale(): (‘zh_cn’, ‘cp936′)
#locale.getpreferredencoding(): cp936
#’\xba\xba’.decode(‘mbcs’): u’\u6c49′

3.一些建议

3.1. 使用字符编码声明,并且同一工程中的所有源代码文件使用相同的字符编码声明。

这点是一定要做到的。

3.2. 抛弃str,全部使用unicode。

按引号前先按一下u最初做起来确实很不习惯而且经常会忘记再跑回去补,但如果这么做可以减少90%的编码问题。如果编码困扰不严重,可以不参考此条。

3.3. 使用codecs.open()替代内置的open()。

如果编码困扰不严重,可以不参考此条。

3.4. 绝对需要避免使用的字符编码:mbcs/dbcs和utf-16。

这里说的mbcs不是指gbk什么的都不能用,而是不要使用python里名为’mbcs’的编码,除非程序完全不移植。

python中编码’mbcs’与’dbcs’是同义词,指当前windows环境中mbcs指代的编码。linux的python实现中没有这种编码,所以一旦移植到linux一定会出现异常!另外,只要设定的windows系统区域不同,mbcs指代的编码也是不一样的。分别设定不同的区域运行2.4小节中的代码的结果:

#中文(简体, 中国)
#sys.getdefaultencoding(): gbk
#sys.getfilesystemencoding(): mbcs
#locale.getdefaultlocale(): (‘zh_cn’, ‘cp936′)
#locale.getpreferredencoding(): cp936
#’\xba\xba’.decode(‘mbcs’): u’\u6c49′
#英语(美国)
#sys.getdefaultencoding(): utf-8
#sys.getfilesystemencoding(): mbcs
#locale.getdefaultlocale(): (‘zh_cn’, ‘cp1252′)
#locale.getpreferredencoding(): cp1252
#’\xba\xba’.decode(‘mbcs’): u’\xba\xba’
#德语(德国)
#sys.getdefaultencoding(): gbk
#sys.getfilesystemencoding(): mbcs
#locale.getdefaultlocale(): (‘zh_cn’, ‘cp1252′)
#locale.getpreferredencoding(): cp1252
#’\xba\xba’.decode(‘mbcs’): u’\xba\xba’
#日语(日本)
#sys.getdefaultencoding(): gbk
#sys.getfilesystemencoding(): mbcs
#locale.getdefaultlocale(): (‘zh_cn’, ‘cp932′)
#locale.getpreferredencoding(): cp932
#’\xba\xba’.decode(‘mbcs’): u’\uff7a\uff7a’

可见,更改区域后,使用mbcs解码得到了不正确的结果,所以,当我们需要使用’gbk’时,应该直接写’gbk’,不要写成’mbcs’。

utf-16同理,虽然绝大多数操作系统中’utf-16’是’utf-16-le’的同义词,但直接写’utf-16-le’只是多写3个字符而已,而万一某个操作系统中’utf-16’变成了’utf-16-be’的同义词,就会有错误的结果。实际上,utf-16用的相当少,但用到的时候还是需要注意。

以上就是python字符编码详细介绍的详细内容,更多请关注 第一php社区 其它相关文章!

Posted in 未分类