詳解Python中的字串與字元編碼介紹
- 高洛峰原創
- 2017-03-20 10:01:041183瀏覽
一、前言
Python中的字元編碼是個老生常談的話題，同行們都寫過很多這方面的文章。有的人雲亦雲，也有的寫得很深入。近日看到某知名培訓機構的教學影片中再次談及此問題，講解的還是不盡人意，所以才想寫這篇文字。一方面，整理相關知識，另一方面，希望給其他人些許幫助。
Python2的 預設編碼 是ASCII，無法辨識中文字符，需要明確指定字元編碼；Python3的 預設編碼 為Unicode，可以辨識中文字元。
相信大家在很多文章中都看過類似上面這樣「對Python中中文處理」的解釋，也相信大家在最初看到這樣的解釋的時候確實覺得明白了。可是時間久了之後，再重複遇到相關問題就會覺得看似理解的又不是那麼清楚了。如果我們了解上面說的預設編碼的作用是什麼，我們就會更清楚的明白那句話的意思。
需要說明的是，“字元編碼是什麼”，以及“字元編碼的發展過程” 不是本節討論的話題，這些內容可以參考我之前的<<這篇文章>>。
二、相關概念
1. 字元與位元組
一個字元不等價於一個位元組，字元是人類能夠辨識的符號，而這些符號要保存到計算的儲存中就需要用電腦能夠辨識的位元組來表示。一個字元往往有多種表示方法，不同的表示方法會使用不同的位元組數。這裡所說的不同的表示方法就是指字元編碼，例如字母A-Z都可以用ASCII碼表示（佔用一個位元組），也可以用UNICODE表示（佔兩個位元組），還可以用UTF-8表示（佔用一個位元組）。字元編碼的作用就是將人類可辨識的字元轉換為機器可辨識的字節碼，以及反向過程。
UNICDOE才是真正的字串，而用ASCII、UTF-8、GBK等字元編碼表示的是位元組字串。關於這一點，我們可以在Python的官方文檔中經常可以看到這樣的描述"Unicode string" , " translating a Unicode string into a sequence of bytes"
我們寫程式碼是寫在檔案中的，而字元是以位元組形式保存在檔案中的，因此當我們在檔案中定義個字串時被當做位元組字串也是可以理解的。但是，我們需要的是字串，而不是位元組字串。一個優秀的程式語言，應該嚴格區分兩者的關係並提供巧妙的完美的支援。 JAVA語言就很好，以至於在了解Python和PHP之前我從來沒有考慮過這些不應該由程式設計師來處理的問題。可惜的是，許多程式語言試圖混淆“字串”和“字節字串”，他們把字節串當作字串來使用，PHP和Python2都屬於這種程式語言。最能說明這個問題的操作就是取一個包含中文字元的字串的長度：
對字串取長度，結果應該是所有字串的個數，無論中文還是英文
對字串對應的位元組串取長度，就跟編碼(encode)過程使用的字元編碼有關了(例如：UTF-8編碼，一個中文字元需要用3個位元組來表示；GBK編碼，一個中文字元需要2個位元組來表示)
注意：Windows的cmd終端字元編碼預設為GBK，因此在cmd輸入的中文字元需要用兩個位元組表示
>>> # Python2
>>> a = 'Hello,中国' # 字节串，长度为字节个数 = len('Hello,')+len('中国') = 6+2*2 = 10
>>> b = u'Hello,中国' # 字符串，长度为字符个数 = len('Hello,')+len('中国') = 6+2 = 8
>>> c = unicode(a, 'gbk') # 其实b的定义方式是c定义方式的简写，都是将一个GBK编码的字节串解码（decode）为一个Uniocde字符串
>>>
>>> print(type(a), len(a))
(<type 'str'>, 10)
>>> print(type(b), len(b))
(<type 'unicode'>, 8)
>>> print(type(c), len(c))
(<type 'unicode'>, 8)
>>>
Python3中對字串的支援做了很大的改動，具體內容會在下面介紹。
2. 編碼與解碼
先做下科普：UNICODE字元編碼，也是一張字元與數字的映射，但是這裡的數字被稱為代碼點(code point), 實際上就是十六進制的數字。
Python官方文件中對Unicode字串、位元組字串與編碼之間的關係有這樣一段描述：
Unicode字串是一個代碼點（code point）序列，代碼點取值範圍為0到0x10FFFF（對應的十進位為1114111）。這個代碼點序列在儲存（包括記憶體和實體磁碟）中需要被表示為一組位元組(0到255之間的值)，而將Unicode字串轉換為位元組序列的規則稱為編碼。
这里说的编码不是指字符编码，而是指编码的过程以及这个过程中所使用到的Unicode字符的代码点与字节的映射规则。这个映射不必是简单的一对一映射，因此编码过程也不必处理每个可能的Unicode字符，例如：
将Unicode字符串转换为ASCII编码的规则很简单--对于每个代码点：
如果代码点数值<128，则每个字节与代码点的值相同
如果代码点数值>=128，则Unicode字符串无法在此编码中进行表示（这种情况下，Python会引发一个UnicodeEncodeError异常）
将Unicode字符串转换为UTF-8编码使用以下规则：
如果代码点数值<128，则由相应的字节值表示（与Unicode转ASCII字节一样）
如果代码点数值>=128，则将其转换为一个2个字节，3个字节或4个字节的序列，该序列中的每个字节都在128到255之间。
简单总结：
编码(encode)：将Unicode字符串（中的代码点)转换特定字符编码对应的字节串的过程和规则
解码(decode)：将特定字符编码的字节串转换为对应的Unicode字符串(中的代码点)的过程和规则
可见，无论是编码还是解码，都需要一个重要因素，就是特定的字符编码。因为一个字符用不同的字符编码进行编码后的字节值以及字节个数大部分情况下是不同的，反之亦然。
三、Python中的默认编码
1. Python源代码文件的执行过程
我们都知道，磁盘上的文件都是以二进制格式存放的，其中文本文件都是以某种特定编码的字节形式存放的。对于程序源代码文件的字符编码是由编辑器指定的，比如我们使用Pycharm来编写Python程序时会指定工程编码和文件编码为UTF-8，那么Python代码被保存到磁盘时就会被转换为UTF-8编码对应的字节（encode过程）后写入磁盘。当执行Python代码文件中的代码时，Python解释器在读取Python代码文件中的字节串之后，需要将其转换为UNICODE字符串（decode过程）之后才执行后续操作。
上面已经解释过，这个转换过程（decode，解码）需要我们指定文件中保存的字节使用的字符编码是什么，才能知道这些字节在UNICODE这张万国码和统一码中找到其对应的代码点是什么。这里指定字符编码的方式大家都很熟悉，如下所示：
# -*- coding:utf-8 -*-
2. 默认编码
那么，如果我们没有在代码文件开始的部分指定字符编码，Python解释器就会使用哪种字符编码把从代码文件中读取到的字节转换为UNICODE代码点呢？就像我们配置某些软件时，有很多默认选项一样，需要在Python解释器内部设置默认的字符编码来解决这个问题，这就是文章开头所说的“默认编码”。因此大家所说的Python中文字符问题就可以总结为一句话：当无法通过默认的字符编码对字节进行转换时，就会出现解码错误(UnicodeEncodeError)。
Python2和Python3的解释器使用的默认编码是不一样的，我们可以通过sys.getdefaultencoding()来获取默认编码：
>>> # Python2 >>> import sys >>> sys.getdefaultencoding() 'ascii' >>> # Python3 >>> import sys >>> sys.getdefaultencoding() 'utf-8'
因此，对于Python2来讲，Python解释器在读取到中文字符的字节码尝试解码操作时，会先查看当前代码文件头部是否有指明当前代码文件中保存的字节码对应的字符编码是什么。如果没有指定则使用默认字符编码"ASCII"进行解码导致解码失败，导致如下错误：
SyntaxError: Non-ASCII character '\xc4' in file xxx.py on line 11, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details
对于Python3来讲，执行过程是一样的，只是Python3的解释器以"UTF-8"作为默认编码，但是这并不表示可以完全兼容中文问题。比如我们在Windows上进行开发时，Python工程及代码文件都使用的是默认的GBK编码，也就是说Python代码文件是被转换成GBK格式的字节码保存到磁盘中的。Python3的解释器执行该代码文件时，试图用UTF-8进行解码操作时，同样会解码失败，导致如下错误：
SyntaxError: Non-UTF-8 code starting with '\xc4' in file xxx.py on line 11, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details
3. 最佳实践
创建一个工程之后先确认该工程的字符编码是否已经设置为UTF-8
为了兼容Python2和Python3，在代码头部声明字符编码：-*- coding:utf-8 -*-
四、Python2与Python3中对字符串的支持
其实Python3中对字符串支持的改进，不仅仅是更改了默认编码，而是重新进行了字符串的实现，而且它已经实现了对UNICODE的内置支持，从这方面来讲Python已经和JAVA一样优秀。下面我们来看下Python2与Python3中对字符串的支持有什么区别：
Python2
Python2中对字符串的支持由以下三个类提供
class basestring(object) class str(basestring) class unicode(basestring)
执行help(str)和help(bytes)会发现结果都是str类的定义，这也说明Python2中str就是字节串，而后来的unicode对象对应才是真正的字符串。
#!/usr/bin/env python # -*- coding:utf-8 -*- a = '你好' b = u'你好' print(type(a), len(a)) print(type(b), len(b)) 输出结果： (<type 'str'>, 6) (<type 'unicode'>, 2)
Python3
Python3中对字符串的支持进行了实现类层次的上简化，去掉了unicode类，添加了一个bytes类。从表面上来看，可以认为Python3中的str和unicode合二为一了。
class bytes(object) class str(object)
实际上，Python3中已经意识到之前的错误，开始明确的区分字符串与字节。因此Python3中的str已经是真正的字符串，而字节是用单独的bytes类来表示。也就是说，Python3默认定义的就是字符串，实现了对UNICODE的内置支持，减轻了程序员对字符串处理的负担。
#!/usr/bin/env python
# -*- coding:utf-8 -*-
a = '你好'
b = u'你好'
c = '你好'.encode('gbk')
print(type(a), len(a))
print(type(b), len(b))
print(type(c), len(c))
输出结果：
<class 'str'> 2
<class 'str'> 2
<class 'bytes'> 4
五、字符编码转换
上面提到，UNICODE字符串可以与任意字符编码的字节进行相互转换，如图：
那么大家很容易想到一个问题，就是不同的字符编码的字节可以通过Unicode相互转换吗？答案是肯定的。
Python2中的字符串进行字符编码转换过程是：
字节串-->decode('原来的字符编码')-->Unicode字符串-->encode('新的字符编码')-->字节串
#!/usr/bin/env python
# -*- coding:utf-8 -*-
utf_8_a = '我爱中国'
gbk_a = utf_8_a.decode('utf-8').encode('gbk')
print(gbk_a.decode('gbk'))
输出结果：
我爱中国
Python3中定义的字符串默认就是unicode，因此不需要先解码，可以直接编码成新的字符编码：
字符串-->encode('新的字符编码')-->字节串
#!/usr/bin/env python
# -*- coding:utf-8 -*-
utf_8_a = '我爱中国'
gbk_a = utf_8_a.encode('gbk')
print(gbk_a.decode('gbk'))
输出结果：
我爱中国
最后需要说明的是，Unicode不是有道词典，也不是google翻译器，它并不能把一个中文翻译成一个英文。正确的字符编码的转换过程只是把同一个字符的字节表现形式改变了，而字符本身的符号是不应该发生变化的，因此并不是所有的字符编码之间的转换都是有意义的。怎么理解这句话呢？比如GBK编码的“中国”转成UTF-8字符编码后，仅仅是由4个字节变成了6个字节来表示，但其字符表现形式还应该是“中国”，而不应该变成“你好”或者“China”。
以上是詳解Python中的字串與字元編碼介紹的詳細內容。更多資訊請關注PHP中文網其他相關文章！