python字符集編碼深入理解

在python中和字串相關的型別,分別是str,unicode兩種不同的型別：

basestring
|+--str
|+-- unicode

指令碼字元編碼：

指指令碼檔案本身是用何種字元編碼的，預設情況python直譯器（直譯器就是執行python

程式的程式）認為指令碼是ascii碼：

#test.py

print "你好"

上面是test.py指令碼，執行 python test.py 就會包如下錯誤：

file 「test.py」, line 1yntaxerror: non-ascii character 『\xe4′ in file test.py on line 1, but no encoding declared; see for details

所以如果檔案中要使用非ascii編碼的字串，就必須在檔案頭部宣告：

#coding=utf8
#或者# coding=gb18030

這樣就相當於告訴python直譯器使用utf8編碼或者gb18030來解釋指令碼檔案。

直譯器字元編碼：

直譯器字元編碼是指直譯器內部認為的str型別的字串的編碼，也就是說python直譯器會把str型別的字串當作何種字元編碼來處理。預設，python直譯器字元編碼

也是ascii的。可以通過命令檢視：

>>> sys.getdefaultencoding()
'ascii'

不同的字元編碼集如utf-8、gbk、iso8859-1等等的字串（注：這些字元編碼集都是針對str型別的字串而言的，unicode字串沒有字符集這類說法）之間相互轉換是怎麼進行的呢？答案就是他們通過乙個中間橋梁unicode來轉換，相關的兩個方法是decode和encode。

#從str型別的字串轉換到unicode
s.decode(encoding) *****>to #從str型別的字串轉換到unicode
u.encode(encoding) *****>to

問題：現在假設我想要把乙個gbk字元編碼的str物件轉換為utf-8的str物件，該如何轉換呢？

現在預設我是在windows下操作，作業系統的字元編碼預設是gbk的，

>>> s="你好"
>>> s
'\xc4\xe3\xba\xc3'
>>> len(s)
4

gbk字元編碼的兩個中文的長度是4，如果是utf-8編碼的字串「你好」的長度是6，稍後我們把「s」轉換成utf-8的看看是不是長度為6。

首先我們要先把」s」轉換成unicode，在從unicode轉換成utf-8編碼的str物件：

>>> s1 = s.decode('gbk').encode('utf-8')
>>> s1
'\xe4\xbd\xa0\xe5\xa5\xbd'
>>> len(s1)
6>>>

實驗證明s1就是乙個utf-8編碼的str型別的字串物件。

str(s)與unicode(s)

str(s)和unicode(s)是兩個工廠方法，分別返回str字串物件和unicode字串物件，str(s)是s.encode(『ascii』)的簡寫。實驗：

>>> s3 = u"你好"
>>> s3
u'\u4f60\u597d'
>>> str(s3)
traceback (most recent call last):
file "", line 1, in unicodeencodeerror: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

上面s3是unicode型別的字串，str(s3)相當於是執行s3.encode(『ascii』)，前面介紹過python直譯器預設字元編碼是』ascii』的，之所以報錯是因為轉換後的s3裡面含有非ascii字元（ascii只能表示0-127之間的ascii碼字元）。所以就報錯了，正確的指定編碼：s3.encode(『gbk』)就不會出現這個問題了。類似的unicode有同樣的錯誤：

>>> s4 = "你好"
>>> unicode(s4)
traceback (most recent call last):
file "", line 1, in unicodedecodeerror: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in range(128)
>>>

unicode(s4)等效於s4.decode(『ascii』)，而這裡s4是gbk字元編碼的（因為我的作業系統預設編碼是gbk），因此要正確的轉換就要正確指定其編碼s4.deocde(『gbk』)。

更新

對於如unicode形式的字串（str型別)：

s = 'id\u003d215903184\u0026index\u003d0\u0026st\u003d52\u0026sid』

轉換成真正的unicode需要使用：

s.decode('unicode-escape')

測試：

>>> s = 'id\u003d215903184\u0026index\u003d0\u0026st\u003d52\u0026sid\u003d95000\u0026i'
>>> print(type(s))
>>> s = s.decode('unicode-escape')
>>> s
u'id=215903184&index=0&st=52&sid=95000&i'
>>> print(type(s))
>>>

來自:

python字符集編碼深入理解

深入理解python字元編碼

編碼方式和字符集理解

python與字符集編碼

python字符集編碼深入理解

深入理解python字元編碼

編碼方式和字符集理解

python與字符集編碼

相關推薦