快速入手Python字符编码

前言

对于很多接触Python的人而言，字符的处理和语言整体的温顺可靠相比显得格外桀骜不驯难以驾驭。

文章针对Python 2.7，主要因为3对的编码已经有了很大的改善并且实际原理一样，更改一下操作命令即可。

了解完本文，你可以轻松解决文字处理，特殊平台（Windows?）下的编码，爬虫编码等问题。

阅读建议

本文分为如下几个部分：

    1.原理

    2.具体操作

    3.建议的使用习惯

    4.疑难问题解答

如果想要了解我给出的使用习惯，可以直接跳到建议的使用习惯。

如果只想要解决相关问题可以直接跳到疑难问题解答。

希望本文能够帮到你。

原理

为了理解方便，这里不谈理论只做类比，具体想要进一步了解各种编码的理论的百度一下好了。

首先说一下我们为什么会碰到各式各样的编码问题：

    1.因为我们没有统一编码

    2.因为我们没有用对命令（传对数据）

再说一下编码是什么，Python的编码看似复杂，实际上可以看做只有两类编码：Unicode，二进制

     1.Unicode 相信都很熟悉：，就是\u0000这样的

     2.二进制编码也很简单，就是\x00\x00这样的，平常看到的utf-8,cp936都是二进制编码

     3.二进制编码是具象的，10001100原样就可以存储，而Unicode是抽象的，不能这样存

#coding=utf8

# Unicode编码演示
print('Unicode:')
print(repr(u'Unicode编码'))`

# 二进制编码演示
print(u'二进制编码:')
print(repr('Unicode编码'))`

# 只是看个样子，代码不必去深究

再说怎么做，就是只有同种编码之间才可以操作

举个简单的类比

     就把一串数据比为烤鸭，我们作为人和鸭子不同种看待烤鸭的态度完全不一样。

     我们看到的是晚上的配菜，鸭子看到的是自己二舅。

     那么我在逛烤鸭店的时候用错编码就会报错。

     因为我在烤鸭店看到了满世界的二舅。

这里说的同种就是我们熟悉的各种编码方式：utf-8,unicode,ucs-bom

这也就是编码问题的核心，非常重要。

最后说一下Python的环境

    1.本身代码是用Ascii解码的，文件里有Ascii无法解码的内容的话要告知Python怎么解码

    2.内部大量命令都是默认接受Unicode

# 告知的命令就是下面这一行，删掉就会报错
#coding=utf8
print(u'测试编码')

具体操作

拿到各种编码的内容自然是不用说，那么如果我们想要自己构造怎么做呢，看下面：

#coding=utf8

# 字符串前面加u会默认构造出Unicode的字符串
unicodeString = u'Unicode字符串'

# 字符串前面什么都不加会构造出默认编码（首行限定了现在的utf8）的字符串
utf8String = 'Utf-8字符串'

# 当然，没有首行，默认的编码是Ascii

那么他们之间怎么转换呢，同样很简单：

# 接上一段程序

# Unicode转化为二进制编码中的一种：utf8
unicodeString.encode('utf8')

# 二进制编码根据自己的编码种类转化为Unicode
utf8String.decode('utf8')

# 如果二进制编码中混进了奇怪的东西可以根据需求用特殊的decode策略
print(repr('u8字\x00符串'.decode('utf8', 'replace')))

那么怎么样会出现问题呢：

# 接上一段程序

# 如果我们把他们转化成同样的编码方式就可以操作（例如相加）
print(repr(unicodeString + utf8String.decode('utf8')))
print(repr(unicodeString.encode('utf8') + utf8String))

# 但如果不转化，当然就会出现满世界的烤鸭二舅啦
unicodeString + utf8String

# 所以另一方面也发现，编码转换是需要我们告诉程序怎么做的
# 所有`decode`操作都会生成Unicode编码，这是为了方便我之前说的大量接受Unicode的内部命令

所以我们需要确定程序使用的编码，这是我们需要告诉程序的东西

    1.一方面在操作字符串的时候确定是同种编码

    2.另一方面在使用非自己写的命令时，一般使用Unicode，或者使用接收二进制编码的命令

#coding=utf8
# 这里拿写入文件举例

# 一般使用Unicode
with open('Unicode.txt', 'w') as f: f.write(u'Unicode测试')

# 或者使用接收二进制编码的命令
with open('Utf8.txt', 'wb') as f: f.write('Utf8测试')

# 你可以反过来做个测试，自然会报错
# 二进制的命令方便了在不知道怎么解码的情况下也能进行操作（写入文件）

我建议的使用习惯

相信到这里我已经把我对于编码的理解讲完了。

我们为什么会碰到各式各样的编码问题：

    1.因为我们没有统一编码

    2.因为我们没有用对命令（传对数据）

所以这里再重申一下八字真言：确定编码，同类交互

    1.碰到问题，问一下自己，我现在是哪种编码

    2.同一种编码才能交互，那我应该是哪种编码

这里给出我的使用习惯：

    1.确定一种内部编码

    2.内部编码的选择优先级如下：程序必须使用的编码、第三方包使用的编码、你喜欢的编码、Unicode

    3.在输出时再更改到特定的编码

记得在开始整个程序之前确定内部的编码，否则编码一团糟会产生很多不必要的bug。

不要迷信内部Unicode，例如Evernote开发就应该根据第三方包使用的Utf8确定内部编码。

疑难问题解答

编码识别

说了要确定编码，那么拿到一串二进制要怎么确定编码呢？

最简单的方法是chardet：（需要安装）

python -m pip install chardet

使用非常简单：

#coding=utf8

from chardet import detect
print(detect('这是一串utf8的测试字符'))

# 结果：`{'confidence': 0.99, 'encoding': 'utf-8'}`

另外例如抓取网站，那么头文件中很有可能有提示如何解码，记得不要忘记了。

编码转换

很可能因为字符串中参杂了奇怪的东西，导致即使编码种类正确，依旧无法解码。

我知道我之前讲过了，但可能有人直接跳疑难问题解答嘛。

这里可以使用decode的第二个参数：

#coding=utf8

# 字符串中混进了\x00
rubbishUtf8String = 'Utf-8字\x00符串'

print(repr(rubbishUtf8String.decode('utf8', 'replace')))

print(repr(rubbishUtf8String.decode('utf8', 'ignore')))

特殊平台下编码

很多人都说Windows是个坑，即使在Python 3下面也一样。

因为中文文件名出来都是乱码。

这里使用一个取巧的方法：平台编码再特殊，起码命令行读取和创建一个文件夹不会出乱码吧。

import sys, os

for folder in os.walk('.').next()[1]:
 print(folder.decode(sys.stdin.encoding))

同样的输入输出也可以这样做优化：

import sys

def sys_print(msg):
 print(msg.encode(sys.stdin.encoding))

def sys_input(msg):
 return raw_input(msg.encode(sys.stdin.encoding)).decode(sys.stdin.encoding)

文件写入

如果抓下来一个内容不知道怎么解码，但还是想要写入文件怎么办

写入文件的时候制定用二进制命令即可：

#coding=utf8
import urllib

with open('Utf8.txt', 'wb') as f: f.write('Utf8测试')

# 比如抓了个网页，不知道编码也可以写入文件进行一系列操作

content = urllib.urlopen('http://www.baidu.com').read()
with open('baidu.txt', 'wb') as f: f.write(content)

裸Unicode字符

Unicode存成六个Ascii字符怎么办？其实也可以decode

#coding=utf8
# 这是普通的Unicode
s = u'测'
for i in s: print(i)
print(repr(s))

# 这是裸Unicode，实际存成了六个Ascii
s = repr(s)[2:-1]
for i in s: print(i)
print(repr(s))

# 转化其实也很简单
s = s.decode('unicode-escape')
for i in s: print(i)
print(repr(s))

总结

来源：http://www.jianshu.com/p/1e1ffdd5a47e