python中的编码知识整理汇总
问题
在平时工作中,遇到了这样的错误:
UnicodeDecodeError:'ascii'codeccan'tdecodebyte
想必大家也都碰到过,很常见。于是决定对python的编码做一个整理和学习。
基础知识
在python2.x中,有两种数据类型,unicode和str,这两个都是basestring的子类
>>>a='中' >>>type(a) <type'str'> >>>isinstance(a,basestring) True >>>a=u'中' >>>type(a) <type'unicode'> >>>isinstance(a,basestring) True
两者的区别,概括来讲,str是字节串,由unicode经过编码(encode)后的字节组成的(好比与python3.x的byte);unicode是对象,才是真正意义上的字符串,由字符组成
>>>a='中文' >>>len(a) 6 >>>repr(a) "'\\xe4\\xb8\\xad\\xe6\\x96\\x87'" >>>b=u'中文' >>>len(b) 2 >>>repr(b) "u'\\u4e2d\\u6587'"
控制台和脚本
在linux下的python控制台执行以下命令,所得的结果和执行脚本是不同的
>>>a=u'中文' >>>repr(a) "u'\\xe4\\xb8\\xad\\xe6\\x96\\x87'" >>>b=unicode('中文','utf-8')b) >>>repr(b) "u'\\u4e2d\\u6587'"
可以看到,u'中文'初始化的对象a不是我们所期望的,那究竟是什么原因呢?
将python看成是一根管子,管子里头处理的中间过程都是使用unicode的。入口处,全部转成unicode;出口处,再转成目标编码(当然,有例外,处理逻辑中要用到具体编码的情况)。
在控制台执行命令a=u'中文',可以将解释为命令,a=‘中文'.decode(encode),从而到到unicode对象a。那么这里的encode是什么呢?对于控制台来说,就是标准输入,即sys.stdin.encoding
>>>sys.stdin.encoding 'ISO-8859-1'
我的这边控制台默认的编码是ISO-8859-1,故a=u'中文'<=>a='中文'.decode('ISO-8859-1')
这里的'中文'是控制台理解的,即使根据终端编码方式编码后的字节码,对于utf-8编码的终端,'中文'='\\xe4\\xb8\\xad\\xe6\\x96\\x87'
>>>a='中文'.decode('ISO-8859-1') >>>repr(a) "u'\\xe4\\xb8\\xad\\xe6\\x96\\x87'"
那如何修改此编码值呢,设置为什么呢?在linux环境中设置环境变量方法如下,具体设置什么只要与终端编码方式一直即可
exportPYTHONIOENCODING=UTF-8
总结
重新回到最初的那个问题,造成问题的原因是没有搞清楚unicode和str的区别,将两者进行了混用。
>>>a='中文' >>>a.encode('gbk') Traceback(mostrecentcalllast): File"<stdin>",line1,in<module> UnicodeDecodeError:'ascii'codeccan'tdecodebyte0xe4inposition0:ordinalnotinrange(128)
以上的对象a其实是str,即字节码,若终端是utf-8编码的话,那么a就是用utf-8encode的字节码。a.encode('gbk')等价于a.decode(encoding).encode('gbk'),即先将字节码解码为unicode字符,然后再encode为字节码。unicode对象作为中转站。那么这里的encoding是什么呢?
>>>importsys >>>sys.getdefaultencoding() 'ascii'
默认是ascii,这正是错误为什么报无法用ascii解码的原因
>>>reload(sys) <module'sys'(built-in)> >>>sys.setdefaultencoding('utf-8') >>>a='中文' >>>repr(a) "'\\xe4\\xb8\\xad\\xe6\\x96\\x87'" >>>a.encode('gbk') '\xd6\xd0\xce\xc4'
将默认编码改为utf-8,即可。不鼓励对str使用encode方法,因为其中隐式对str进行了解码。decode只对str,encode只对unicode,一切decode/encode都显示指定编码方式。