Python字符串编码——Unicode
ASCII码
我们知道，在计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从0000000到11111111。
上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。
ASCII码一共规定了128个字符的编码，比如空格"SPACE"是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。
非ASCII编码
英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。
但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (ג)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0--127表示的符号是一样的，不一样的只是128--255的这一段。
至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。
中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。
Unicode
正如上一节所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。
可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。
Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字"严"。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。
Unicode的问题
需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。
比如，汉字"严"的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。
这里就有两个严重的问题，第一个问题是，如何才能区别Unicode和ASCII？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果Unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。
它们造成的结果是：1）出现了Unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示Unicode。2）Unicode在很长一段时间内无法推广，直到互联网的出现。
UTF-8
互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种Unicode的实现方式。其他实现方式还包括UTF-16（字符用两个字节或四个字节表示）和UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。
UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。
UTF-8的编码规则很简单，只有二条：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。
下表总结了编码规则，字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
跟据上表，解读UTF-8编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。
下面，还是以汉字"严"为例，演示如何实现UTF-8编码。
已知"严"的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此"严"的UTF-8编码需要三个字节，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然后，从"严"的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，"严"的UTF-8编码是"11100100 10111000 10100101"，转换成十六进制就是E4B8A5。
python 中的字符串编码
在使用
#!/usr/bin/env python
# -*- coding:utf-8 -*-
默认的中文编码为utf8
>>> kel = '中'
>>> kel
'\xe4\xb8\xad'
加入u以后，变成unicode
>>> kel = u'中'
>>> kel
u'\u4e2d'
python 文件字符串编码
保存Unicode字符到文本文档
#coding=utf-8
import os
def write_use_open(filepath):
try:
file = open(filepath, 'wb')
try:
content = '中华人民共和国abcd \r\nee ?!>??@@@!！！！！？？？￥@#%@%#xx学校ada\r\n'
print file.encoding
print file.newlines
print file.mode
print file.closed
print content
file.write(content)
finally:
file.close()
print file.closed
except IOError, e:
print e
if __name__ == '__main__':
filepath = os.path.join(os.getcwd(), 'file.txt')
write_use_open(filepath)
开始我是IDLE编写的，并直接按F5运行，没发现问题，文件也被正确地保存，文件的编码类型也是utf-8.
可是我用命令行运行，却发现显示出现乱码了，然后在打开文件发现文件被正确保存了，编码还是utf-8：
问题是命令行不能自动识别字符编码吧，因为IDLE显示是正确的，它支持utf-8。
于是我修改了代码，在字符串前加了'u'，表明content是unicode:
content = u'中华人民共和国abcd \r\nee ?!>??@@@!！！！！？？？￥@#%@%#xx学校ada\r\n'
可是运行发现，命令行是正确显示了，但是却出现异常：
很明显，content里包含了非ASCII码字符，肯定不能使用ASCII来进行编码的，write方法是默认使用ascii来编码保存的。
很容易就可以想到，在保存之前，先对unicode字符进行编码，我选择utf-8
#coding=utf-8
import os
def write_use_open(filepath):
try:
file = open(filepath, 'wb')
try:
content = u'中华人民共和国abcd \r\nee ?!>??@@@!！！！！？？？￥@#%@%#xx学校ada\r\n'
print file.encoding
print file.newlines
print file.mode
print file.closed
print content
print unicode.encode(content, 'utf-8')
file.write(unicode.encode(content, 'utf-8'))
finally:
file.close()
print file.closed
except IOError, e:
print e
if __name__ == '__main__':
filepath = os.path.join(os.getcwd(), 'file.txt')
write_use_open(filepath)
看看运行结果：
OK了打开文档也是正确的。
读取文件又怎样？同样道理，只是这次不是编码了，而解码：
def read_use_open(filepath):
try:
file = open(filepath, 'rb')
try:
content = file.read()
content_decode = unicode(content, 'utf-8')
print 'original text'
print content
print 'decode using utf-8'
print content_decode
finally:
file.close()
except IOError, e:
print e
if __name__ == '__main__':
filepath = os.path.join(os.getcwd(), 'file.txt')
write_use_open(filepath)
print 'read file ---------------------------'
read_use_open(filepath)
为什么不直接在open的时候就解码呢？呵呵，可以啊，可以使用codecs的open方法
import codecs
def read_use_codecs_open(filepath):
try:
file = codecs.open(filepath, 'rb', 'utf-8')
try:
print 'using codecs.open'
content = file.read()
print content
finally:
file.close()
except IOError, e:
print e
网络中乱码的解决
中文网页中，有些网页抓取下来以后，由于网页编码的问题，需要进行解码。首先我们需要判断网页中到底使用的是什么编码，在根据这个编码把字符串变成utf8编码。
在探测编码时，chardet第三方库非常的方便。
网页编码判断：
import urllib
rawdata = urllib.urlopen('http://tech.163.com/special/00097UHL/tech_datalist.js').read()
import chardet
print chardet.detect(rawdata)
{'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'}
通过 chardet 探测出，网页的字符编码为GB2312编码，通过unicode转化为utf8编码：
str_body = unicode(rawdata, "gb2312").encode("utf8")
更多入门教程可以参考：[http://www.bugingcode.com/python_start/] (http://www.bugingcode.com/python_start/)
posted on 2018-01-12 16:23 go2coding 阅读(2950) 评论(0) 编辑 收藏 举报
