黃聰：解決python中文處理亂碼，先要弄懂「字元」和「位元組」的差別

我來講一下字元問題我的理解吧，雖然我對Python的編碼處理的具體細節還不太清楚，不過臨時稍微看了一下，和Perl的原理也差不多 最重要的是必須區分「字元」和「位元組」的不同，「字元」是抽象的，而「位元組」是具體的 比如一個「中」字，在不同編碼中用如下位元組表示： GBKBig5UTF-8 UTF-16LE xD6xD0xA4xA4xE4xB8xADx2Dx4E 所謂「抽象」的「字元」的「中」，並不是指「xD6xD0」或「xA4xA4」或任何位元組，應該把它理解成：GBK編碼中「xD6xD0」位元組所指代的那個字元（語言學中的能指→所指），或者UTF-8編碼中「xE4xB8xAD」所指代的那個字元，但並不是這些具體位元組本身 問題是，抽象的字元要作為數據進行存儲和傳遞，就必須有具體的形式，也就是說你在程序內部實現中，要存儲「中」這個字元，你必須採用某些特定的位元組。你可以用「xD6xD0」，也可以用「xE4xB8xAD」，也可以用「x2Dx4E」，Python在Windows下採用的是UTF-16LE（？），也就意味著它的「字元」的載體編碼是UTF-16LE sys.setdefaultencoding(name) Set the current default string encoding used by the Unicode implementation. 文檔上是這麼寫的，如果我的理解沒錯的話，這個函數的作用就是改變「字元」的載體編碼，sys.setdefaultencoding("gbk")以後，「中」這個字元在程序內部就不是用「x2Dx4E」來承載，而是用「xD6xD0」來承載了 Python2.x里的str和unicode有什麼區別呢？從字面意義上看容易混淆，實際上，你可以把它理解成str是「位元組串」，unicode是「字元串」（string總是翻譯成「字元串」，在這裡就很容易把人繞暈），看下面的例子： # -*- coding: gb2312 -*- s = "張三李四" print len(s) #=> 8 u = s.decode("gbk") print len(u) #=> 4 我的腳本編碼用的是GBK，而不是UTF-8，你會看到len(s)是8，這是這四個漢字所用的實際8個「位元組」，而len(u)是4，這就表示這裡有4個「字元」 encode和decode是什麼意思呢？所謂編碼，就是把意義轉換成符號；而解碼，就是把符號還原成意義。在這裡，encode應該理解成把抽象的字元轉換成具體的位元組，而decode是把具體的位元組還原成抽象的字元 現在的問題是：str類和unicode類都同時具有encode和decode方法，這是一個讓我很不以為然的設定。如果按照位元組與字元的區分，encode方法是應該只歸unicode類所有，decode方法是只歸str類所有的，因為「意義」只能轉換成「符號」，「意義」再還原成「意義」這本身就沒有意義。 假如我們這樣： # -*- coding: gb2312 -*- s = "張三李四" u = s.decode("gbk") # 沒問題，位元組解碼為字元，符號還原為意義 s2 = s.encode("gbk") # 出錯了！位元組沒法再編碼成位元組，除非s全部是ASCII字元，但是這樣s2和s是完全等同的，這個操作有什麼意義？ u2 = u.decode("gbk") # 又出錯了！也只能u只包含ASCII字元，u2和u也是完全等同，這個操作也沒有意義 在這裡提一下Perl的處理方式，我不知道Python處理編碼的原理是否是直接得自Python，還是說這是各門語言共同的做法（但是Ruby又不是這樣做的），總之Python2.x是有缺陷的 Perl里只有一種string，它實際也區分字元串和位元組串（以UTF-8作為底層的承載編碼），但不像Python2.x分str和unicode，而是string內部有一個utf8的flag，這個flag是on的時候，這個string就是一個「字元」串，這個flag是off的時候就是一個「位元組」串，它的編碼、解碼函數如下： $octets = encode(ENCODING, $string [, CHECK]) $string = decode(ENCODING, $octets [, CHECK]) $octets就是位元組串，$string就是字元串，也就是說，encode只對$string起作用，而decode只對$octets起作用，不像Python是str和unicode兩類兩個方法都有，但是其實各有一個是沒用的。Larry Wall是語言學家，他設計的這一套字元、位元組關係是完全符合語言學中的「能指-所指」理論的，而GvR恐怕就對語言學不在行了，Python的處理就不怎麼精妙了。 再來說一下file.write為什麼有編碼問題： # -*- coding: gb2312 -*- s = "張三李四" u = s.decode("gbk") f = open("text.txt","w") f.write(u) # 出錯！ f.write(u.encode("gbk")) # 這樣才行 出錯的原因很簡單，你想輸出的是「字元」，而不是「位元組」。上面說過，「字元」是抽象的，你是沒有辦法把一個抽象的東西寫到文件里去的。雖然抽象的字元下面肯定是有具體的承載位元組的，但是Python似乎並不願意把unicode底層的位元組跟IO攪在一起，這就導致f.write(a_unicode)的失敗，當然a_unicode假如只包含ASCII字元，這個可以成功，然而這是一種捷徑，是一條讓人越來越糊塗的捷徑 然後再是u標記的意義是什麼？很簡單，就是自動完成位元組→字元的轉換 # -*- coding: gb2312 -*- s_or_u1 = "張三李四" print type(s_or_u1) #=> <type "str"> s_or_u2 = u"張三李四" print type(s_or_u2) #=> <type "unicode"> u"張三李四"就相當於"張三李四".decode(a_enc)，這裡的a_enc就是#coding行設定的gb2312 不得不說，（不知是不是從Perl得來的）這套字元處理方式很晦澀，字元、位元組區分的概念實在不太容易理解，而Python本身的細節處理也沒有做好，Perl做得很乾凈了，都不容易理解，Python沒做乾淨更不行了。另外再附贈簡單介紹Ruby的字元處理方式，跟Perl完全不同： Ruby中沒有字元、位元組的區分，一切字元串都是「帶有一個編碼屬性的位元組串」。因為沒有抽象的字元，所以就沒有位元組→字元的轉換，也就根本沒有、也不需要decode方法，Ruby的String類只有encode方法。因為沒有抽象的「字元」概念，Ruby的編碼問題應該比Perl、Python容易理解。沒有「字元」的還有一個好處是：處理多位元組文本無需經過中間轉換。你要在Perl里處理中文字元，來源文件是GBK編碼的，實際都得先轉換成UTF-8，Perl才能處理：Python要先轉化成UTF-16才能處理。對於海量文本來說，這一轉換過程肯定是要耗費一定的資源的。而Ruby不需要這種轉換，直接就能處理GBK或其他編碼了。可能這樣做也是考慮了日文的實際，日文的shift-jis（？）是本土編碼，根本都不跟ASCII兼容，不像GBK是跟ASCII兼容的，這樣做就不必轉換就能處理土著編碼的文檔了。如果說Perl的字元-位元組區分是語言學家的學院派做法的話，Ruby就是契合了多位元組字元處理需要的實用派做法。
推薦閱讀：