Python-编码之大彻大悟

1.了解各种编码的来历及其在计算机内部的存储:

　　http://www.cnblogs.com/JohnABC/p/3507219.html

　　http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html

　　http://www.ruanyifeng.com/blog/2014/12/unicode.html

2.了解二进制文件和文本文件的区别: http://www.cnblogs.com/JohnABC/p/3478134.html

3.了解Python的Unicode和Str编码: http://www.cnblogs.com/JohnABC/p/4015504.html

4.在Python中正确使用Unicode: http://www.cnblogs.com/JohnABC/p/4257574.html

根据以上几篇文章总结以下要点:

0.转码时通常以unicode作为中间码, 先将其它编码的祖父次解码成unicode, 再从unicode编码成另一种编码。（string-uicode, bytes-str）

1.str和unicode都是basestring的子类, 严格意义上说, str对象其实是字节串, 它是unicode经过编码后的字节组成的序列, 实际是"8-bit-string", 字节字符串, 类似Java中的byte[], unicode对象等同于Java中的String对象, 本质上是Java的char[]

2.对 UTF-8编码的str'汉'使用len()函数时, 结果是3, 因为实际上, UTF-8编码的'汉' == '\xE6\xB1\x89'

.unicode才是真正意义上的字符串, 对字节串str使用正确的字符编码进行解码后获得, 并且len(u'汉') == 1

.repr()和``做的是完全一样的事情, 它们返回的是一个对象的“官方”字符串表示, 也就是说绝大多数情况下可以通过求值运算（使用内建函数 eval()）重新得到该对象, 但str()则有所不同, str()致力于生成一个对象的可读性好的字符串表示, 它的返回结果通常无法用于eval()求值, 但很适合用于print语句输出, 需要再次提醒的是, 并不是所有repr()返回的字符串都能够用eval()内建函数得到原来的对象

5.如果文件是UTF-8编码的, 则以下会报错。因为文件是UTF-8编码的, 所以'你好'是UTF-8编码的, 用gb2312转成unicode是不可能的。

s = "你好"
s.decode("gb2312").encode("utf-8")

#UnicodeDecodeError: 'gb2312' codec can't decode bytes in position 2-3:illegal multibyte sequence

6.获得系统的默认编码

#!/usr/bin/env python
#coding=utf-8

import sys
print sys.getdefaultencoding()

a

u = u'汉'
print repr(u) # u'\u6c49'
s = u.encode('UTF-8')
print repr(s) # '\xe6\xb1\x89'
u2 = s.decode('UTF-8')
print repr(u2) # u'\u6c49'

5.使用原则

• 所有文本字符串都应该是unicode类型，而不是str类型。如果处理的是文本，而变量类型是str，这就是bug了！
• 若要将字节串解码成字符串，需要使用正确的解码，即var.decode(encoding)（如，var.decode('utf-8')）。将文本字符串编码成字节，使用var.encode(encoding)。
• 永远不要对unicode字符串使用str()，也不要在不指定编码的情况下就对字节串使用unicode()。
• 当应用从外部读取数据时，应将其视为字节串，即str类型的，接着调用.decode()将其解释成文本。同样，在将文本发送到外部时，总是对文本调用.encode()。
• 如果代码中使用字符串字面值来表示文本，总是应该含有’u'前缀。但实际上，永远不要在代码中定义原始的字符串字面值。不管怎样，我自己是很讨厌这一条，也许其他人也和我一样吧。