五分鐘戰勝Python字元編碼

02-08

對於很多接觸Python的人而言，字元的處理和語言整體的溫順可靠相比顯得格外桀驁不馴難以駕馭。

本文不談複雜的理論，就經驗教你字元處理八字真言：確定編碼，同類交互。

文章針對Python 2.7，主要因為3對的編碼已經有了很大的改善並且實際原理一樣，更改一下操作命令即可。

了解完本文，你可以輕鬆解決文字處理，特殊平台（Windows?）下的編碼，爬蟲編碼等問題。

閱讀建議

本文分為如下幾個部分：

原理
具體操作
建議的使用習慣
疑難問題解答

如果想要了解我給出的使用習慣，可以直接跳到建議的使用習慣。

如果只想要解決相關問題可以直接跳到疑難問題解答。

希望本文能夠幫到你。

原理

為了理解方便，這裡不談理論只做類比，具體想要進一步了解各種編碼的理論的搜狗一下好了。

首先說一下我們為什麼會碰到各式各樣的編碼問題：

因為我們沒有統一編碼
因為我們沒有用對命令（傳對數據）

再說一下編碼是什麼，Python的編碼看似複雜，實際上可以看做只有兩類編碼：Unicode，二進位

Unicode 相信都很熟悉：，就是u0000這樣的
二進位編碼也很簡單，就是x00x00這樣的，平常看到的utf-8,cp936都是二進位編碼
二進位編碼是具象的，10001100原樣就可以存儲，而Unicode是抽象的，不能這樣存

#coding=utf8# Unicode編碼演示print(Unicode:)print(repr(uUnicode編碼))`# 二進位編碼演示print(u二進位編碼:)print(repr(Unicode編碼))`# 只是看個樣子，代碼不必去深究

再說怎麼做，就是只有同種編碼之間才可以操作

舉個簡單的類比
就把一串數據比為烤鴨，我們作為人和鴨子不同種看待烤鴨的態度完全不一樣。我們看到的是晚上的配菜，鴨子看到的是自己二舅。那麼我在逛烤鴨店的時候用錯編碼就會報錯。因為我在烤鴨店看到了滿世界的二舅。
這裡說的同種就是我們熟悉的各種編碼方式：utf-8,unicode,ucs-bom
這也就是編碼問題的核心，非常重要。

最後說一下Python的環境

本身代碼是用Ascii解碼的，文件里有Ascii無法解碼的內容的話要告知Python怎麼解碼
內部大量命令都是默認接受Unicode

# 告知的命令就是下面這一行，刪掉就會報錯#coding=utf8print(u測試編碼)

具體操作

拿到各種編碼的內容自然是不用說，那麼如果我們想要自己構造怎麼做呢，看下面：

#coding=utf8# 字元串前面加u會默認構造出Unicode的字元串unicodeString = uUnicode字元串# 字元串前面什麼都不加會構造出默認編碼（首行限定了現在的utf8）的字元串utf8String = Utf-8字元串# 當然，沒有首行，默認的編碼是Ascii

那麼他們之間怎麼轉換呢，同樣很簡單：

# 接上一段程序# Unicode轉化為二進位編碼中的一種：utf8unicodeString.encode(utf8)# 二進位編碼根據自己的編碼種類轉化為Unicodeutf8String.decode(utf8)# 如果二進位編碼中混進了奇怪的東西可以根據需求用特殊的decode策略print(repr(u8字x00符串.decode(utf8, replace)))

那麼怎麼樣會出現問題呢：

# 接上一段程序# 如果我們把他們轉化成同樣的編碼方式就可以操作（例如相加）print(repr(unicodeString + utf8String.decode(utf8)))print(repr(unicodeString.encode(utf8) + utf8String))# 但如果不轉化，當然就會出現滿世界的烤鴨二舅啦unicodeString + utf8String# 所以另一方面也發現，編碼轉換是需要我們告訴程序怎麼做的# 所有`decode`操作都會生成Unicode編碼，這是為了方便我之前說的大量接受Unicode的內部命令

所以我們需要確定程序使用的編碼，這是我們需要告訴程序的東西

一方面在操作字元串的時候確定是同種編碼
另一方面在使用非自己寫的命令時，一般使用Unicode，或者使用接收二進位編碼的命令

#coding=utf8# 這裡拿寫入文件舉例# 一般使用Unicodewith open(Unicode.txt, w) as f: f.write(uUnicode測試)# 或者使用接收二進位編碼的命令with open(Utf8.txt, wb) as f: f.write(Utf8測試)# 你可以反過來做個測試，自然會報錯# 二進位的命令方便了在不知道怎麼解碼的情況下也能進行操作（寫入文件）

我建議的使用習慣

相信到這裡我已經把我對於編碼的理解講完了。

我們為什麼會碰到各式各樣的編碼問題：

因為我們沒有統一編碼
因為我們沒有用對命令（傳對數據）

所以這裡再重申一下八字真言：確定編碼，同類交互

碰到問題，問一下自己，我現在是哪種編碼
同一種編碼才能交互，那我應該是哪種編碼

這裡給出我的使用習慣：

確定一種內部編碼
內部編碼的選擇優先順序如下：程序必須使用的編碼、第三方包使用的編碼、你喜歡的編碼、Unicode
在輸出時再更改到特定的編碼

記得在開始整個程序之前確定內部的編碼，否則編碼一團糟會產生很多不必要的bug。

不要迷信內部Unicode，例如Evernote開發就應該根據第三方包使用的Utf8確定內部編碼。

疑難問題解答

編碼識別

說了要確定編碼，那麼拿到一串二進位要怎麼確定編碼呢？

最簡單的方法是chardet：（需要安裝）

python -m pip install chardet

使用非常簡單：

#coding=utf8from chardet import detectprint(detect(這是一串utf8的測試字元))# 結果：`{confidence: 0.99, encoding: utf-8}`

另外例如抓取網站，那麼頭文件中很有可能有提示如何解碼，記得不要忘記了。

編碼轉換

很可能因為字元串中參雜了奇怪的東西，導致即使編碼種類正確，依舊無法解碼。

我知道我之前講過了，但可能有人直接跳疑難問題解答嘛。

這裡可以使用decode的第二個參數：

#coding=utf8# 字元串中混進了x00rubbishUtf8String = Utf-8字x00符串print(repr(rubbishUtf8String.decode(utf8, replace)))print(repr(rubbishUtf8String.decode(utf8, ignore)))

特殊平台下編碼

很多人都說Windows是個坑，即使在Python 3下面也一樣。

因為中文文件名出來都是亂碼。

這裡使用一個取巧的方法：平台編碼再特殊，起碼命令行讀取和創建一個文件夾不會出亂碼吧。

import sys, osfor folder in os.walk(.).next()[1]: print(folder.decode(sys.stdin.encoding))

同樣的輸入輸出也可以這樣做優化：

import sysdef 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)

文件寫入

如果抓下來一個內容不知道怎麼解碼，但還是想要寫入文件怎麼辦

寫入文件的時候制定用二進位命令即可：

#coding=utf8import urllibwith open(Utf8.txt, wb) as f: f.write(Utf8測試)# 比如抓了個網頁，不知道編碼也可以寫入文件進行一系列操作content = urllib.urlopen(http://www.baidu.com).read()with open(baidu.txt, wb) as f: f.write(content)

裸Unicode字元

Unicode存成六個Ascii字元怎麼辦？其實也可以decode

#coding=utf8# 這是普通的Unicodes = u測for i in s: print(i)print(repr(s))# 這是裸Unicode，實際存成了六個Asciis = repr(s)[2:-1]for i in s: print(i)print(repr(s))# 轉化其實也很簡單s = s.decode(unicode-escape)for i in s: print(i)print(repr(s))

結束語

希望讀完這篇文章能對你有幫助，有什麼不足之處萬望指正（鞠躬）。

有什麼想法或者想要關注我的更新，歡迎來Github上Star或者Fork我的項目。

160623

LittleCoder

EOF