day_08 字符编码乱码处理

Python3默认编码是unicode；而Python2是ASCII码。Windows环境默认是gbk编码。

常见编码错误原因：

1. Python解释器的默认编码

2. Python源文件文件编码

3. Terminal使用的编码

4. 操作系统的语言设置

一、 编码的种类

I、ASCII 占1个字节，只支持英文

II、GB2312 占2个字节，支持6700+汉字

III、GBK GB2312的升级版，支持21000+汉字，中文2个字节。

IV、Unicode 2-4字节 已经收录136690个字符

V、UTF-8： 使用1、2、3、4个字节表示所有字符；优先使用1个字符、无法满足则使增加一个字节，最多4个字节。英文占1个字

节、欧洲语系占2个、东亚占3个，其它及特殊字符占4个。中文3个字节。

VI、UTF-16： 使用2、4个字节表示所有字符；优先使用2个字节，否则使用4个字节表示。

二、 Python3的执行过程

1.解释器找到代码文件，把代码字符串按文件头定义的编码加载到内存，转成unicode

2.把代码字符串按照语法规则进行解释，

3.所有的变量字符都会以unicode编码声明

Py3 自动把文件编码转为unicode，Python2并不会自动的把文件编码转为unicode存在内存里。需要手动转码。

三、手动转码规则

UTF-8 --> decode 解码 --> Unicode

Unicode --> encode 编码 --> GBK / UTF-8 等

使用type可以查看编码形式，unicode是‘unicode’,gbk和utf-8是‘str或bytes’。

实例：

Python2中默认是ASCII码

#coding=utf-8
#Python2中默认是ASCII码，一般会加入以utf-8编程
a = '编码'                       # a是utf-8类型
b = a.decode('utf-8')       # b是Unicode类型
c = b.encode('gbk')        #c是gbk类型
d = c.decode('gbk').encode('utf-8')   #先将c转换成Unicode，再转成utf-8
print a ,b,c,d
print(a ,b,c,d)  # 注意：使用Python2解释器不能加括号,否者转换成了二进制
print type(a),type(b),type(c),type(d)
'''
注意：在pycharm里使用Python2时，通常需要以unicode作为中间编码,即先将其他编码
的字符解码(decode)成unicode,再从unicode编码(encode)成另一种编码，这里在从Unicode编
码（encode）成gbk编码时，终端显示会出现乱码，只能在window命令行启动Python2解释器
才能正常显示该字符。
'''

'''
编码 编码 ���� 编码
('\xe7\xbc\x96\xe7\xa0\x81', u'\u7f16\u7801', '\xb1\xe0\xc2\xeb', '\xe7\xbc\x96\xe7\xa0\x81')
<type 'str'> <type 'unicode'> <type 'str'> <type 'str'>
'''

python3中默认是Unicode

a = '编码'                       # a是unicode类型
b = a.encode('utf-8')       # b是utf-8类型
c = a.encode('gbk')        #c是gbk类型
print (a ,b,c)
print (type(a),type(b),type(c))
#python3默认是unicode类型

'''
编码 b'\xe7\xbc\x96\xe7\xa0\x81' b'\xb1\xe0\xc2\xeb'
<class 'str'> <class 'bytes'> <class 'bytes'>
'''

在windows cmd窗口下启动Python2 默认gbk

>>> a = '编码'
>>> b = a.decode('gbk') #windows默认是gbk,先解码成unicode
>>> c = b.encode('utf-8') #unicode转换成utf-8
>>> a
'\xb1\xe0\xc2\xeb'
>>> b
u'\u7f16\u7801'
>>> c
'\xe7\xbc\x96\xe7\xa0\x81'
>>> print(a,b,c)
('\xb1\xe0\xc2\xeb', u'\u7f16\u7801', '\xe7\xbc\x96\xe7\xa0\x81')
>>> type(a)
<type 'str'>
>>> type(b)
<type 'unicode'>
>>> type(c)
<type 'str'>

Python中decode与encode的区别

字符串在Python内部的表示是Unicode编码,因此,在做编码转换时,通常需要以unicode作为中间编码,即先将其他编码的字符解码(decode)成unicode,再从unicode编码(encode)成另一种编码。

decode的作用是将其他编码的字符转换成unicode编码,如str1,decode('gb2312'),表示将gb2312编码的字符串str1转换成unicode编码。

encode的作用是将unicode编码转换成其他编码的字符串,如str2,encode('gb2312'),表示将unicode编码的字符串str2转换成gb2312编码。

 

因此,转码的时候一定要明白,字符串str是什么编码,然后decode成unicode编码,然后再encode成其他编码。

 

通常,在没有指定特定的编码方式时,都是使用的系统默认编码创建的代码文件。

如:

    s = '中文'

    在utf8文件中,该字符串就是utf8编码了;

    在gb2312文件中,该字符串就是gb2312编码了;

    如字符串是这样定义: s =u'中文'，则该字符串的编码就被指定为unicode编码了,即Python的内部编码，而与代码文件本身的编码无关,因此,对于这种情况做编码转换,只需直接使用encode方法将其转换成指定编码即可。

 

如果一个字符串已经是unicode了,再进行解码则将出错,因此通常要对其编码方式是否为unicode进行判断:

 

isinstance(s,unicode)    # 用来判断是否为unicode

 

------->> 用非unicode编码形式的str来encode会报错

 

--如何获得系统的默认编码:

# !/usr/bin/env python #coding=utf-8 import sys print sys.getdefaultencoding()