Python字元編碼

在用python程式設計中，字串有兩種表示方法"string"和 u"string"。

為什麼字串要是用這兩種表達方式。不是僅僅用前一種呢？

使用type()函式檢視，它們各自是str物件和unicode物件。這兩個物件有什麼差別嗎？還有經經常使用到的encode()和decode()又是幹什麼的呢？都說python指令碼使用的是兩位元組編碼，這又是指什麼呢？

要回答上面幾個問題，首先得弄清楚關於編碼的幾個概念：

character set：字符集，是我們人能夠識別的字元。

如ascii規定了127個用乙個位元組能夠表示的字符集。包含英文本母、數字、符號和一些控制字元。當然ascii定義的字符集比較小。

python中的character set基本包含眼下世界上全部是用的字元。如中文、英文、日文字元等等。所以基本上全部的字元都可在python 中進行處理。

code point：計算機是不能直接識別字元的（由於它僅僅能直接識別二進位製碼），所以為了能讓計算機處理和儲存字元，須要將字元對映成乙個數值（由於數值能夠用二進位制表達，計算機從而就能夠識別了），這個數值叫作字元的code point。字元與其code point是一對一對映，unicode非常好的規定了這樣的對映關係。

encode：unicode儘管規定了每乙個字元的code point，但並沒有規定計算機怎樣儲存這些code point。

全部就有了utf-8、gbk、utf-16等編碼格式，它們規定計算機怎樣來儲存這個code point，每乙個編碼格式它們儲存方式都是不同樣的。比如，「中」字的code point為u

+2d2e（u表示unicode，2d2e表示該code point值），使用gbk、big5、utf-8、utf-16四種編碼協議對該code point進行編碼。獲得的實際二進位製表演示樣例如以下：

gbk      big5        utf-8     utf-16

~~\xd6\xd0 \xa4\xa4 \xe4\xb8\xad \x2d\x4e

decode：對實際的二進位制進行解碼。獲取它所代表字元的code point。如「\xd6\xd0」使用gbk解碼，將獲得2d2e（「中」的code point ），假設使用utf-8對其進行解碼。就會出錯。由於它不是用utf-8編碼的。

上面簡介下字元及編碼解碼的概念，可參考博文《字元的編碼與解碼》。

python中使用兩種字串表達方式，是為了區分字元與實際表示字元的二進位制資訊。

unicode物件用來表示字元。它不涉及字元的底層的二進位制編碼資訊。

str物件是用來表示字元的二進位制資訊。乙個unicode物件能夠使用多種編碼格式（如utf8、gbk）編碼（encode）成多個str物件。每乙個str物件表示該字串的一種二進位制表達。多個不同的str物件能夠解碼成相等的unicode物件（表示字串同樣。但記憶體位置不同）。

unicode的存在也是為了解決因採用不同編碼格式導致的一些問題。建議大家使用unicode物件來存放字串，統一格式。

unicode儘管不規定詳細的二進位制資訊，但為了存放每乙個字元的code point值，須要兩個位元組，所以說python採用的是二進位制編碼（不知道這麼理解可對？）。

因為str物件沒有屬性指定它的編碼格式。所以對它進行處理時，僅僅能將它看成乙個位元組串。當對str物件進行列印或解碼時。且不知道它的編碼格式。那麼python僅僅能用預設編碼格式對其進行操作。

假設編碼不匹配，就會出現亂碼或者報錯。

str物件：

稱字串，它是字串使用特定編碼格式進行編碼後的二進位制表達，實際代表用於儲存二進位制資訊的位元組串。

所以稱它為「位元組串」更合適。如

>>> str = '你好'   #採用系統設定的編碼格式對「你好」進行編碼，可通過locale命令檢視。

>>> str '\xe4\xbd\xa0\xe5\xa5\xbd' #當locale設定為utf8時。'你好'的編碼後的二進位制表達，乙個六位元組的位元組串

用於表達「字元」，由於計算機不用直接識別字元，所以使用code point來取代字元。例如以下：

>>> u"你好"

u'\u4f60\u597d'

code point 4f60表示「你」，597d表示「好」。

它僅僅是乙個數值與字元對映，

不用於詳細編碼。

對乙個str物件進行解碼。能夠獲得它表達字串的code point，即unicode物件。對unicode物件進行編碼。可獲得它的實際二進位制表達，即str物件。當想把str物件從一中編碼格式轉換成還有一種編碼格式時，首先得把str轉換成unicode物件。再從unicode物件轉換成第二種編碼格式的str物件。

以下執行乙個str物件從utf8格式到gbk格式的轉換：

>>> str="你好"

>>> str
'\xe4\xbd\xa0\xe5\xa5\xbd' # 採用os的utf8編碼格式
>>> unicode=str.decode("utf8") # 解碼成code point值 
>>> unicode
u'\u4f60\u597d'
>>> str_gbk=unicode.encode("gbk") # 將code point編碼成gbk格式
>>> str_gbk
'\xc4\xe3\xba\xc3'
>>> unicode.encode() # 假設編碼不指定格式，將採用系統預設的編碼格式進行編碼。對於decode也一樣。

寫檔案：

>>> file=open("test.txt", "a")

>>> file.write(str)
>>> file.write(str_gbk)
>>> file.write(unicode)
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)

這是為什麼呢？

str物件表示字串經編碼後的二進位制資訊，能夠直接寫入檔案。

然後unicode物件表示的是字串的code point值，是抽象的值，用來表示字元，是不能直接寫入檔案的。所以python試圖使用預設的編碼格式ascii。對unicode物件進行編碼，然後將結果存入檔案。可是因為ascii不能對」你好」進行編碼，所以報錯了。

改動系統預設編碼格式：

>>> import sys

>>> reload(sys)
>>> sys.setdefaultencoding("gbk") #不建議這麼用[2]
>>> str(unicode) #使用預設gbk，對unicode("你好")進行編碼，轉成str物件
'\xc4\xe3\xba\xc3'
>>> unicode.encode() #使用預設gbk。對unicode("你好")進行編碼，轉成str物件
'\xc4\xe3\xba\xc3'
>>> "你好".decode() #由於系統使用utf8，所以「你好」是utf8格式的位元組串，使用預設gbk對該位元組串進行解碼，儘管成功執行了，但其結果是不對的。

參考文獻：

[1] 

bid=284&id=84741

[2] 

[3] 

[4] 

python字元編碼

ascii 碼是乙個位元組，通常只能顯示英文本母和數字。unicode碼為了顯示多種語言產生，但是要占用兩個位元組，顯示文字要占用大量空間 utf 8 為了節約空間而生，英文本元只用乙個位元組儲存，中文字元需要三個位元組 character ascii unicode utf 8 a01000000...

python字元編碼

列印python檔案編碼 import sys print sys.getdefaultencoding 中文的乙個字元unicode占用2個位元組。對在於ascii字元占用1個位元組 utf 8中 中文字元佔3個位元組，英文本元占用1個位元組 編碼和轉碼 unicode不能再解碼了 它是基層的 u...

Python字元編碼

計算機只能處理數字，如果要處理文字，必須先把文字轉化成數字。計算機最早是美國人發明的，所以只有127個字元被編碼到計算機裡面，即大小寫英文本母 數字及一些符號，這個編碼表被稱為ascll表。其中 a 的編碼是65，a 的編碼是97。大本事處理中文乙個位元組是不夠的，至少需要兩個位元組，為了不與asc...