python 中文亂碼問題深入分析

在本文中，以'哈'來解釋作示例解釋所有的問題，「哈」的各種編碼如下： 
1. UNICODE (UTF8-16)，C854； 
2． UTF-8，E59388； 
3． GBK，B9FE。 
一、python中的str和unicode 
一直以來，python中的中文編碼就是一個極為頭大的問題，經常拋出編碼轉換的異常，python中的str和unicode到底是一個什麼東西呢？
在python中提到unicode，一般指的是unicode對象，例如'哈哈'的unicode對象為 
u'u54c8u54c8' 
而str，是一個位元組數組，這個位元組數組表示的是對unicode對象編碼(而str，是一個位元組數組，這個位元組數組表示的是對unicode對象編碼(而str可以是utf-8、gbk、cp936、GB2312)後的儲存的格式。這裡它只是一個位元組流，沒有其它的意義，如果你想讓這個位元組流顯示的內容有意義，就必須用正確的編碼格式，解碼顯示。
例如：

對於unicode物件哈哈進行編碼，編碼成一個utf-8編碼的str－s_utf8,s_utf8就是是一個位元組數組，存放的就是'xe5x93x88xe5x93x88'，但是這組數組只是一個位元組，如果你想將它透過print語句輸出成哈哈，那你就失望了，為什麼呢？

因為print語句它的實現是將要輸出的內容傳送了操作系統，操作系統會根據系統的編碼對輸入的字節流進行編碼，這就解釋了為什麼utf-8格式的字符串“哈哈”，輸出的是“鍝堯”，因為'xe5x93x88xe5x93x88'用GB2312去解釋，其顯示的出來就是“鍝堯”。這裡再強調一下，str記錄的是位元組數組，只是某種編碼的儲存格式，至於輸出到檔案或列印出來是什麼格式，完全取決於其解碼的編碼將它解碼成什麼樣子。

這裡再對print進行一點補充說明：當將一個unicode物件傳給print時，在內部會將該unicode物件進行一次轉換，轉換成本地的預設編碼（這僅是個人猜測）

二、str和unicode物件的轉換

str和unicode物件的轉換，透過encode和decode實現，具體使用如下：

將GBK'哈哈'轉換成unicode，然後再轉換成UTF8

三、Setdefaultencoc%

如上圖的示範程式碼所示：

當把s(gbk字串)直接編碼成utf-8的時候，將拋出異常，但是透過呼叫如下碼：

import sys

reload( sys)

sys.setdefaultencoding('gbk')

後就可以轉換成功，為什麼呢？在python中str和unicode在編碼和解碼過程中，如果將一個str直接編碼成另一種編碼，會先把str解碼成unicode，採用的編碼為預設編碼，一般預設編碼是anscii，所以在上面範例程式碼中第一次轉換的時候會出錯，當設定目前預設編碼為'gbk'後，就不會出錯了。

至於reload(sys)是因為Python2.5 初始化後會刪除 sys.setdefaultencoding 這個方法，我們需要重新載入。

四、操作不同檔案的編碼格式的檔案

建立一個檔案test.txt，檔案格式用ANSI，內容為:

abc中文

用python來讀取

# open("Test.txt").read()

結果：abc中文

把檔案格式改成UTF-8：

結果：abc涓枃

顯然，這裡要解碼：

# co

gbk

import codecs

print open("Test.txt").read().decode("utf-8")

結果：abc中文

上面的test.txt我是用Editplus來編輯的，Editplus來編輯的，Editplus來編輯的，Editplus來編輯的，Editplus來編輯的，但當我用Windows自備的記事本編輯並存成UTF-8格式時，

運行時錯誤：

Traceback (most recent call last):

File "ChineseTest.py", line 3, in 

File "ChineseTest.py", line 3, in 

File "ChineseTest.py", line 3, in 

File "ChineseTest.py", line 3, in 🎜🎜File "ChineseTest.py", line 3, in 🎜🎜File "ChineseTest.py", line 3, in 🎜🎜File print open("Test.txt").read().decode("utf-8")🎜

UnicodeEncodeError: 'gbk' codec can't encode character u'ufeff' in position 0: illegal multibyte sequence

原來，某些軟體，如notepad，在儲存以UTF-8的地方插入三個不可見的字元（0xEF 0xBB 0xBF，即BOM）。

因此我們在讀取時需要自己去掉這些字符，python中的codecs module定義了這個常數：

# coding=gbk

import codecs

data = open("T..

if data[:3] == codecs.BOM_UTF8:

data = data[3:]

print data.decode("utf-8")

和編碼聲明的作用

原始檔的編碼格式對字串的聲明有什麼作用呢？這個問題困擾一直困擾了我好久，現在終於有點眉目了，文件的編碼格式決定了在該源文件中聲明的字符串的編碼格式，例如：

str = '哈哈'

print repr(str)

a.如果檔案格式為utf-8，則str的值為：'xe5x93x88xe5x93x88'（哈哈的utf-8編碼）

b.如果檔案格式為gbk，則str的值為：'xb9xfexbxfe'哈哈的gbk編碼）

在第一節已經說過，python中的字串，只是一個字節數組，所以當把a情況的str輸出到gbk編碼的控制台時，就將顯示為亂碼：鍝夾搱；而當把b情況下的str輸出utf-8編碼的控制台時，也會顯示亂碼的問題，是什麼也沒有，也許'xb9xfexb9xfe'用utf-8解碼顯示，就是空白吧。 >_說完文件格式，現在來談談編碼聲明的作用吧，每個文件在最上面的地方，都會用# coding=gbk 類似的語句聲明一下編碼，但是這個聲明到底有什麼用呢？到止前為止，我覺得它的作用也就是三個：

聲明源文件中將出現非ascii編碼，通常也就是中文；

在高級的IDE中，IDE會將你的文件格式保存成你指定編碼格式。

決定源碼中類似u'哈'這類聲明的將'哈'解碼成unicode所用的編碼格式，也是一個比較容易讓人迷惑的地方，看例子：

#coding:gbk

#coding:gbk

#coding:gbk

#coding:gbk

#coding:gbk

ss = u'哈哈'

print repr(ss)

print 'ss:%s' % ss

將這個些代碼保存成一個utf-8文本，運行，你認為什麼會輸出呢？大家第一個感覺肯定輸出的肯定是：

u'u54c8u54c8'

ss:哈哈

但其實輸出是：

u'u935du581du6431'ss ，就是編碼聲明在作怪了，在運行ss = u'哈哈'的時候，整個過程可以分為以下幾步：

1) 獲取'哈哈'的編碼：由文件編碼格式確定，為'xe5x93x88xe5x93x88'（哈哈的utf-8編碼形式）

2) 轉成unicode編碼的時候，在這個轉換的過程中，對於'xe5x93x88xe5x93x88'的解碼，不是用utf-8解碼，而是用聲明編碼處指定的編碼GBK ，將'xe5x93x88xe5x93x88'按GBK解碼，得到就是''鍝堝搱''，這三個字的unicode編碼就是u'u935du581du6431'，至止可以解釋為什麼print repr(ss)輸出的是u'u9655881du了。

好了，這裡有點繞，我們來分析下一個例子：

#-*- coding:utf-8 -*-

ss = u'哈哈'

print repr(ss)

printprint

print :%s' % ss

將此範例這次保存成GBK編碼形式，運行結果，竟然是：

🎜UnicodeDecodeError: 'utf8' codec can't decode byte0xb9會有utf8解碼錯誤呢？想想上個範例也明白了，轉換第一步，因為檔案編碼是GBK，得到的是'哈哈'編碼是GBK的編碼'xb9xfexb9xfe'，當進行第二步，轉換成unicode的時候，會用UTF8對'xb9xfexb9xfe'進行解碼，而大家查utf-8的編碼表會發現，utf8編碼表（關於UTF- 8解釋可參見字符編碼筆記：ASCII、UTF-8、UNICODE）中根本不存在，所以會報上述錯誤。 🎜🎜🎜🎜🎜更多python 中文亂碼問題深入分析相關文章請關注PHP中文網！ 🎜🎜🎜🎜