Python编码问题详解
1. 基本概念
-
字符集（Character set）
- 解释：文字和符合的总称
- 常见字符集：
- Unicode字符集
- ASCII字符集（Unicode子集）
- GB2312字符集
-
编码方法（Encoding）
- 解释：将字符对应到字节的方法，部分字符集和编码方法名称一样。
- 常见编码方法:
- UTF-8：可对Unicode字符进行编码
- GB2312
- ASCII
-
编码（Encode）
- 解释：将字符集中字符按照一定规则转换成字节
-
解码（Decode）
- 解释：与编码相反，将字节转换为字符集中的字符
-
字符集与编码方法的关系
- 每个字符集都有对应的编码方法
- 一种字符集可能有多种编码方法
- 不同的编码方法得到的字节不同，占用存储空间也不一样
- 例如Unicode字符可以使用UTF-8/ASCII/GBK等方法编码
- Unicode字符集包含世界上大部分字符，很多其他字符集有的字符它都有，是他们的超集
- 大部分字符集可以理解为Unicode的子集
- 实际上，除了Unicode之外所谓的字符集主要是对Unicode部分字符编码而已（定义编码方式）
- 一种编码不必支持Unicode的所有字符（通常把它能支持的那部分称为它的字符集）
2. 关于编码的错误和解决方法
在开发过程中，我们所接触的字符集大多都是Unicode，大部分报错都是关于编码和解码的。
2.1. 编码错误UnicodeEncodeError
2.1.1. 错误分析
导致该错误的原因通常是编码方法支持的Unicode字符不全；在工作中，你写了一个txt中文文档，想用ascii编码去保存这个文件，就会报这种错误。
错误复现：
我们知道ascii不支持字符中，那我们用ascii编码方法对Unicode码中进行编码：
# -*- encoding: utf-8 -*-
u"中".encode(encoding='ascii')
报错如下:
UnicodeEncodeError: 'ascii' codec can't encode character '\u4e2d' in position 0: ordinal not in range(128)
这是一个UnicodeEncodeError 类型的错误，提示无法使用指定的编码方法对字符进行编码，报错提示中可以得到3个信息:
- 当前使用的是acsii编码方法
- 被编码的字符是'\u4e2d'
- ascii编码方法能支持的字符有128个
有时候我们还可以利用这个提示查看编码方法支持的字符个数：
# -*- encoding: utf-8 -*-
u"中".encode(encoding='iso-8859-1')
报错：
UnicodeEncodeError: 'latin-1' codec can't encode character '\u4e2d' in position 0: ordinal not in range(256)
通过报错提示可以看出iso-8859-1能编256个字符。
接着，我们来看下用支持中文的utf-8 编码方法进行编码能得到什么结果：
# -*- encoding: utf-8 -*-
s = u"中".encode(encoding='utf-8')
print("s: ", s)
print("s == 中?" , s == '中')
print("type of s: ", type(s))
print("str==bytes? ", bytes == type(s))
输出：
('s: ', '\xe4\xb8\xad')
('s == \xe4\xb8\xad?', True)
('type of s: ', <type 'str'>)
('str==bytes? ', True)
从输出的结果可以得到:
- 编码得到的对象跟我们直接定义的字符串是一样的，都是str
str就是bytes(python中)
2.1.2. 解决方法
UnicodeEncodeError 是说编码方法支持的字符不全，而UTF-8编码就能很好地对Unicode编码，所以只要把编码方法指定为utf-8就可以了。
在python2中：
如果你调用encode方法但没有指定encoding参数，那很可能使用了系统默认的参数，就像：
# -*- encoding: utf-8 -*-
import sys
print "default encoding is %s ." % sys.getdefaultencoding()
u'中'.encode()
输出：
default encoding is ascii .
UnicodeEncodeError: 'ascii' codec can't encode character u'\u4e2d' in position 0: ordinal not in range(128)
可以手动指定encoding参数，也可以修改python默认编码方法：
# -*- encoding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf-8') # 必须在reload之后调用
print u'中'.encode()
在python3中：
在python3中你很难看到UnicodeEncodeError了，因为python3的默认编码就是utf-8,而Unicode字符都可以用utf-8编码方法编码。
2.2. 编码错误UnicodeDecodeError
2.2.1. 错误分析
导致该错误的原因是使用了错误的解码方式把字节数据还原成字符。例如在工作中，有一个utf-8生成中文文档，我们选择用ascii编码解码，就会报这个错。
错误复现：
我们知道python中字符串和字节是一样，我们可以定义一个中文字符串，通过ascii来解码生成Unicode，复现这个错误：
# -*- encoding: utf-8 -*-
print '中'.decode(encoding='ascii')
输出：
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)
注意，这是一个UnicodeDecodeError错误，区别于编码错误UnicodeEncodeError，它提示无法把字节0xe4（实际上中对应三字节，0xe4是第一个） 解码成Unicode。0xe4转换为10进制是228，已经超过127了，所以ascii无能力了。
2.2.2. 解决方法
我们需要知道生成字节的编码方式才能进行还原，就好像对一个文件进行了加密，必须得知道加密的密码才能把文件还原，而解码方式（或者称为编码）就是那个密码。 所以不管是python2还是python3直接去修改默认编码为UTF-8不一定能解决问题，具体的方法有两种：
- 通过源码找到解码失败的字节是使用那种编码生成的
- 对报错的字节数据使用各种常见的编码进行解码，观察哪一种是正确的
以一个例子来说明为什么直接设置默认编码为UTF-8不能有效解决UnicodeDecodeError问题
python文件头指定了编码为，在声明字符串时候将会使用指定的编码转换为字节：
# -*- encoding: GBK -*-
s = "张"
print ("s is ", s)
s_unicode = u'张'
print ("encoding with GBK is ", s_unicode.encode("GBK"))
print ("encoding with UTF-8 is ", s_unicode.encode("UTF-8"))
输出:
('s is ', '\xd5\xc5')
('encoding with GBK is ', '\xd5\xc5')
('encoding with UTF-8 is ', '\xe5\xbc\xa0')
在文件头中指定了GBK编码后默认情况下字符张就会被编码为\xd5\xc5，这与我们手动用GBK编码得到结果一致，而使用utf-8编码得到的是3个字节的数据\xe5\xbc\xa0(使用了更多的存储空间)。
例子开始了，在python2中将一个dict转换成json：
# -*- encoding: GBK -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d))
输出:
UnicodeDecodeError: 'utf8' codec can't decode byte 0xd5 in position 0: invalid continuation byte
错误说无法使用utf-8解码0xd5，0xd5也就是GBK中的张，我们知道这个字节是用GBK生成的，这个时候可以设置json.dumps的encoding参数解决：
# -*- encoding: GBK -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='gbk'))
修改一下代码，继续使用我们熟悉的utf-8编码来执行：
# -*- encoding: utf-8 -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='utf-8'))
输出:
{"name": "\u5f20", "sex": "man"}
发现name是unicode，使用ensure_ascii=False，不强制转换成ascii：
# -*- encoding: utf-8 -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='utf-8', ensure_ascii=False))
输出：
File "/usr/local/Cellar/python@2/2.7.15_1/Frameworks/Python.framework/Versions/2.7/lib/python2.7/json/__init__.py", line 251, in dumps
sort_keys=sort_keys, **kw).encode(obj)
File "/usr/local/Cellar/python@2/2.7.15_1/Frameworks/Python.framework/Versions/2.7/lib/python2.7/json/encoder.py", line 210, in encode
return ''.join(chunks)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 1: ordinal not in range(128)
纳尼，文件头也是utf-8，也指定了utf-8怎么还是报错？错误提示用ascii去解码0xe5字节，在上面的代码输出中可以知道0xe5是utf-8对字符张编码的第一个字节 ，报错的原因是用ascii去解析utf-8生成的字节了。我们并没有设置哪个地方使用ascii解码，应该是系统默认的编码，尝试设置系统默认编码再执行：
# -*- encoding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='utf-8', ensure_ascii=False))
输出：
{"name": "张", "sex": "man"}
3. 总结
3.1. python2和python3对字符串的处理区别
- Python2
- 默认编码是ascii
- Python3
- 默认编码为utf-8
- 不能使用
import sys;sys.setdefaultencoding('utf-8')设置默认编码 - Unicode和str都用字符串表示了
3.2. 为什么不全用UTF-8编码?
UTF-8包含的字符更多，占用的内存和磁盘空间也更大，比如对汉字张，utf-8是3个字节，gbk是2个字节。
3.3. 如何快速解决UnicodeEncodeError错误?
python3中基本不会出现，python2中尝试设置默认编码为utf-8。
3.4. 快速解决UnicodeDecodeError?
需要知道出错的字节是使用哪种编码方式生成的，然后尝试把默认编码设置成这种。
