Python的编码问题总结

  1. 字节字符串和字符字符串


    字节字符串

    s是在console上看着是中文,但是正在输出的确是字节字符串,而不是字符字符串。字节字符串和字符字符串是不同的。字节字符串是二进制0和1编码后的字符串的形式表示(这里以16进制形式展现);和真正的我们日常所见的字符字符串是不同的。我们日常所见的字符串是经过各种编码(gbk, utf8,gb2312,iso-8859-1)方式编码过的,不是原生的字节字符串。在python中没有byte(字节)类型,当我们想要表示byte[]数组时就可以使用字节字符串(byte string),等效于Java语言中的byte[]。

  2. unicode编码
    什么是unicode编码呢?我们常用的utf-8和unicode编码有什么不同呢?可以参考下这篇文章:
    http://python.jobbole.com/86670/?utm_source=blog.jobbole.com&utm_medium=relatedPosts
    可以简单认为,unicode定义了世界上所有字符的集合,当我们想根据一个字符去获取其unicode码时,只需要到这个集合中寻找即可。

    中文unicode编码

    unicode是一种定义集合,但不是真正的存储方式。utf-8编码实现了unicode集合的在计算机中存储方式。中文,英文...它们所占用的字节是不同的,倘若每个字符都用相同的字节去表示,会浪费很多的计算机内存空间。所有出现了utf-8,utf-16等变长的编码方式,可以根据英文,中文...的大小不同使用位数不同的字节来表示。utf-8具体的实现方式可以查看:http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html

  3. python中字符字符串(unicode)和字节字符串(byte str)的互转


    python中的unicode字符定义

    如上图,python2.7中unicode字符的定义是在字符前面加个u,打印出的就是unicode编码。

那么python中如何实现unicode和字节字符串的互转呢?

unicode -> byte str

从上图可以看出,可以使用encode方法实现unicode到byte str的转化;从得到的\xe4\xb8\xad\xe6\x96\x87的字节字符串可以看出,中文两个汉字使用了6个字节存储。上面我们说到unicode只是一种编码的定义,utf-8才是其具体的实现。所有我们才在上面的转换过程中使用了'utf-8'来作为具体的存储方式。

从上面的结论中,我们可以得出,如果我们想要把utf-8编码方式的文本转换成其它的编码方式时,可以使用unicode作为中间的转换结果。

我们再来看看byte str如何转成utf-8存储方式的unicode字符。如下:


byte str -> unicode

我们使用decode方法,把byte str转成unicode编码。

  1. len方法
    如果我们想统计字符串的长度,该怎么办呢?如果之前有过编程经验,我们都会想到length或len方法。python中是有len方法的。


    byte str的len

    从上图中看出,如果s是字节字符串,len方法获取的是字节字符串的长度4,而不是我们所见的长度2。如果我们想要获取真实的字符串的长度呢?


    unicode的len

    总结上面的也可以得出:python中unicode字符串才是真正意义上的字符串。
  2. python默认的编码

    image.png

    如上图,我们发现当‘中文’二字为unicode字符时,最终得到的字节字符串是\xe4\xb8\xad\xe6\x96\x87;而s='中文'时得到的确是\xd6\xd0\xce\xc4。相同的汉字,得到的字节字符串却不同,那么这又是为什么呢?我们知道,当s为unicode字符时,经过encode('utf-8')就变成了utf-8的存储方式,最终得到的是utf-8的字节字符串表示;那么,s='中文'时,没有指定编码方式,默认的编码方式又是什么呢?我们使用python 的sys模块来获取下信息:

(1) sys.getdefaultencoding()
win:


windows

linux:


Linux

从上图中看,似乎win和linux的默认编码方式是一样的。的确是这样的吗?

(2)系统默认编码:
a. windows查看默认编码:


windows系统默认编码

936代表的是gbk编码。

b. Linux系统默认编码


Linux系统默认编码

Linux系统默认是utf-8。

从上面的结论中看,是不是感觉很奇怪?从python中获取的和使用系统命令获取的不一样。我们先看看sys.getdefaultencoding()方法的解释:

getdefaultencoding

翻译:返回默认的字符串的编码的名字,它将被unicode编码的具体实现使用。
什么意思呢?看下图:
ascii编码

我用单引号赋值给变量s的内容为:中文;然后直接输出s,而不是使用print函数打印,此时输出的就是ascii编码的字节字符串。当我用print函数打印时,输出的又是什么呢?
print打印s

打印出的直接是中文二字,而不是字节字符串。
总结:print打印出的是由ascii编码形式的字节字符串转成操作系统默认编码(这里是gbk)之后的字符串。这也就解释了win和linux使用getdefaultencoding() 函数获取的编码都是ascii的原因。进入python的IDL,直接输出变量的值时(不是使用print),默认的是ascii编码,而调用 print函数时会自动实现ascii->unicode->系统编码(gbk)的转换。

  1. python中gbk转 utf-8


    gbk to utf-8

    上图中的最后一红行实现了gbk编码到utf-8的转换,转换中使用unicode作为中间编码。s.decode('gbk')的结果就是unicode编码,然后在encode('utf-8'),转成utf-8的字节字符串。

推荐阅读更多精彩内容