python3.x 基础三：字符集问题

总结了一张表，更详细信息百度百科：

序号	年份	编码	标准协会	特点	二进制长度	字符长度	表现
1	1967	ASCII	美国国家标准学会 (American National Standard Institute , ANSI )	只能表示英文/数字/控制符符/现世符 不能表示中文	7位或8位二进制数组	1个字节	0～31,127（共33位）表示控制字符或者通信专用字符 32~126（共95为）表示字符，32是空格     48～57表示0~9个阿拉伯数字 65~90表示26个大写英文字母 97~122表示26个小写英文字母 其他表示标点符号和运算符号等 128~255是扩展ASCII，每个字符的第8位用于确定附加的128个特俗符号字符/图形/外来字母
2	1981	GB2312	中国国家标准总局	可以表示中文，图形字符 古汉字不能支持	2组8进制位	2个字节	3755个一级汉字 3008个二级汉字 682个拉丁/希腊字母/日文片假名/片假名字母/俄语西里尔字母
3	1995	GBK	中华人民共和国 全国信息技术标准化技术委员会	兼容GB2312 windowns中文版系统的编码	2组8进制位	2个字节	GB 2312 中的全部汉字、非汉字符号。 BIG5 中的全部汉字。 与 ISO 10646 相应的国家标准 GB 13000 中的其它 CJK 汉字，以上合计 20902 个汉字。 其它汉字、部首、符号，共计 984 个。
4	2001	GB18030	信息产业部和国家质量技术监督局	1字节与ASCII兼容 2字节与DBK兼容		1/2/4个字节	70244多个，各种少数民族字符
5	1994	Unicode	非营利机构统一码联盟	跨语言跨平台 英文浪费一半以上空间存储	至少2个字节	英文1个字节 中文2个字节	16位来统一表示所有的字符 原来8位全部扩充到16位
6	6	UTF-8	Ken Thompson RFC 3629 Unicode实现方式	伴随互联网出现 每次传输8位数据 使编码无国界 万国码	可变长	ASCII1个字节 欧洲字符2个字节 中文3个字节	编码体积大

python2.7

• 默认编码集是ASCII，如果直接encode(编码集)，默认进行一次ascii解码

>>> import sys
>>> print("系统默认编码是：",sys.getdefaultencoding())
('\xe7\xb3\xbb\xe7\xbb\x9f\xe9\xbb\x98\xe8\xae\xa4\xe7\xbc\x96\xe7\xa0\x81\xe6\x98\xaf\xef\xbc\x9a', 'ascii')
>>> s = "你好"
>>> s_to_gbk = s.encode("gbk")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)
>>> s_to_gbk = s.decode().encode("gbk")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)

• 需要进行一次明确解码

>>> s = "你好"
>>> s_to_unicode = s.decode("utf-8")
>>> print(s_to_unicode)
你好
>>> s_to_gbk = s_to_unicode.encode("gbk")
>>> print(s_to_gbk)    #终端切换成GBK可以正常显示
▒▒▒
>>> gbk_to_utf8 = s_to_gbk.decode("gbk").encode("utf-8")
>>> print(gbk_to_utf8)
你好
>>>
#python2.7 字符串 -> unicode -> decode(原编码) -> encode(目标编码

GB2312 -> UTF8 -> GBK -> UTF8 -> GB2312

>>> import sys
>>> print("系统默认编码是：",sys.getdefaultencoding())
('\xe7\xb3\xbb\xe7\xbb\x9f\xe9\xbb\x98\xe8\xae\xa4\xe7\xbc\x96\xe7\xa0\x81\xe6\x98\xaf\xef\xbc\x9a', 'ascii')
>>>
>>> s = "你好"
>>> s_to_gb2312 = s.decode("utf-8").encode("gb2312")
>>> print(s_to_gb2312)  #终端编码为gb2312可以正常显示
▒▒▒
>>> s_to_gb2312_to_utf8 = s_to_gb2312.decode("gb2312").encode("utf-8")
>>> print(s_to_gb2312_to_utf8)
你好
>>> s_to_gb2312_to_utf8_to_gbk = s_to_gb2312_to_utf8.decode("utf-8").encode("gbk")
>>> print(s_to_gb2312_to_utf8_to_gbk) ##终端编码为gbk可以正常显示
▒▒▒
>>> s_to_gb2312_to_utf8_to_gbk_to_utf8 = s_to_gb2312_to_utf8_to_gbk.decode("gbk").encode("utf-8")
>>> print(s_to_gb2312_to_utf8_to_gbk_to_utf8)
你好
>>> s_to_gb2312_to_utf8_to_gbk_to_utf8_to_gb2312 = s_to_gb2312_to_utf8_to_gbk_to_utf8.decode("utf-8").encode("gb2312")
>>> print s_to_gb2312_to_utf8_to_gbk_to_utf8_to_gb2312
▒▒▒

python3.5

• 默认编码是unicode
• 文件头部coding:gbk定义文件编码格式
• 但是程序本身依然是unicode编码格式，与文件格式无关

# /usr/bin/env python
# -*- coding: gbk -*-
# Author:jenvid.yang
import sys
print("系统默认编码是：", sys.getdefaultencoding())
msg = '世界你好'
# unicode程序编码，文件头部定义的是文件编码
msg_unicode_to_gbk = msg.encode("gbk")
# 已经是unicode，只能encode成其他编码
print("unicode -> gbk: ",msg_unicode_to_gbk)

msg_unicode_to_utf8 = msg.encode("utf-8")
print("unicode -> utf8: ",msg_unicode_to_utf8)

msg_unicode_to_gb2312 = msg.encode("gb2312")
print("unicode -> gb2312: ",msg_unicode_to_gb2312)

msg_unicode_to_utf8_to_gbk = msg_unicode_to_utf8.decode("utf-8").encode("gbk")
# 默认decode成utf-8，可以不写，显示指定
print("unicode -> utf8 -> gbk: ",msg_unicode_to_utf8_to_gbk)

msg_unicode_to_utf8_to_gbk =msg_unicode_to_utf8.decode("utf-8").encode("gb2312")
# 默认decode成utf-8，可以不写，但显示指定
print("unicode -> utf8 -> gb2312: ",msg_unicode_to_utf8_to_gbk)
# gbk兼容gb2312
print(msg_unicode_to_utf8.decode("utf-8").encode("gb2312").decode("gb2312"))
print(msg.encode("utf-8").decode("utf-8"))
# decode的时候将字节码转换成字符串
# 用str方法指定原编码也可以转换成字符串
print(str(msg_unicode_to_utf8,encoding="utf-8"))
print(str(msg_unicode_to_gb2312,encoding="gb2312"))

输出如下：

# 系统默认编码是： utf-8
# unicode -> gbk:  b'\xca\xc0\xbd\xe7\xc4\xe3\xba\xc3'
# unicode -> utf8:  b'\xe4\xb8\x96\xe7\x95\x8c\xe4\xbd\xa0\xe5\xa5\xbd'
# unicode -> gb2312:  b'\xca\xc0\xbd\xe7\xc4\xe3\xba\xc3'
# unicode -> utf8 -> gbk:  b'\xca\xc0\xbd\xe7\xc4\xe3\xba\xc3'
# unicode -> utf8 -> gb2312:  b'\xca\xc0\xbd\xe7\xc4\xe3\xba\xc3'
# 世界你好
# 世界你好
# 世界你好
# 世界你好