關於Python編碼這一篇文章就夠了

概述

在使用Python或者其餘的編程語言，都會多多少少遇到編碼錯誤，處理起來很是痛苦。在Stack Overflow和其餘的編程問答網站上，UnicodeDecodeError和UnicodeEncodeError也常常被說起。本篇教程但願能幫你認識Python編碼，並可以從容的處理編碼問題。

本教程提到的編碼知識並不限定在Python，其餘語言也大同小異，但咱們依然會以Python爲主，來演示和講解編碼知識。

經過該教程，你將學習到以下的知識:

• 獲取有關字符編碼和數字系統的概念
• 理解編碼如何使用Python的str和bytes
• 經過int函數了解Python對數字系統的支持
• 熟悉Python字符編碼和數字系統相關的內置函數

什麼是字符編碼

如今的編碼規則已經有好多了，最簡單、最基本是的ASCII編碼，只要是你學過計算機相關的課程，你就應該多少了解一點ASCII編碼，他是最小也是最適合瞭解字符編碼原理的編碼規則。具體以下：

• 小寫英文字符：a-z
• 大寫英文字符：A-Z
• 符號: 好比 $和!
• 空白符：回車、換行、空格等
• 一些不可打印的字符: 好比\b等

那麼，字符編碼的定義究竟是什麼了？它是一種將字符（如字母，標點符號，符號，空格和控制字符）轉換爲整數並最終轉換爲bit進行存儲的方法。 每一個字符均可以編碼爲惟一的bit序列。 若是你對bit的概念不瞭解，請不要擔憂，咱們後面會介紹。

ASCII碼的字符被分爲以下幾組：

ASCII表一共包括128個字符，若是你想了解整個ASCII表，這裏有

你們在學python的時候確定會遇到不少難題，以及對於新技術的追求，這裏推薦一下咱們的Python學習扣qun：784，758，214，這裏是python學習者彙集地

Python string模塊

string模塊是python裏處理字符串很方便的模塊，它包括了整個ASCII字符，讓咱們來看看部分string模塊源碼：

# From lib/python3.7/string.py

whitespace = ' \t\n\r\v\f'
ascii_lowercase = 'abcdefghijklmnopqrstuvwxyz'
ascii_uppercase = 'ABCDEFGHIJKLMNOPQRSTUVWXYZ'
ascii_letters = ascii_lowercase + ascii_uppercase
digits = '0123456789'
hexdigits = digits + 'abcdef' + 'ABCDEF'
octdigits = '01234567'
punctuation = r"""!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~"""
printable = digits + ascii_letters + punctuation + whitespace

你能夠在Python中這樣使用string模塊：

>>> import string

>>> s = "What's wrong with ASCII?!?!?"
>>> s.rstrip(string.punctuation)
'What's wrong with ASCII'

什麼是bit

學過計算機相關課程的同窗，應該都知道，bit是計算機內部存儲單位，只有0和1兩個狀態(二進制)，咱們上面所說的ASCII表，都是一個10進制的數字表示一個字符，而這個10進制數字，最終會轉換成0和1，存儲在計算機內部。例如(第一列是10進制數字，第二列是二進制，第三列是計算機內部存儲結果):

這是一種在Python中將ASCII字符串表示爲位序列的方便方法。 ASCII字符串中的每一個字符都被僞編碼爲8位，8位序列之間有空格，每一個字符表明一個字符：

>>> def make_bitseq(s: str) -> str:
...     if not s.isascii():
...         raise ValueError("ASCII only allowed")
...     return " ".join(f"{ord(i):08b}" for i in s)

>>> make_bitseq("bits")
'01100010 01101001 01110100 01110011'

>>> make_bitseq("CAPS")
'01000011 01000001 01010000 01010011'

>>> make_bitseq("$25.43")
'00100100 00110010 00110101 00101110 00110100 00110011'

>>> make_bitseq("~5")
'01111110 00110101'

咱們也能夠是用python的f-string 來格式化，好比f"{ord(i):08b}"：

• 冒號的左側是ord（i），它是實際的對象，其值將被格式化並插入到輸出中。 使用ord（）爲單個str字符提供了base-10代碼點。

• 冒號的右側是格式說明符。 08表示寬度爲8,0填充，b用做在基數2（二進制）中輸出結果數的符號。

ASCII編碼不夠用了

ASCII採用的是8bit來存儲字符(只使用7位，剩下的1位二進制爲0)，因此，ASCII最多存儲128個字符，這有個簡單的公式，計算存儲字符的bit數量與存儲字符總數的關係：2的n次方，n表示bit數量。例如：

• 1bit存儲2個字符
• 8bit存儲256個字符
• 64bit存儲2的64次方 == 18,446,744,073,709,551,616

咱們能夠寫個簡單的代碼，來計算一下，指定字符數量，至少須要多少bit來存儲：

>>> from math import ceil, log

>>> def n_bits_required(nvalues: int) -> int:
...     return ceil(log(nvalues) / log(2))

>>> n_bits_required(256)
8

數字系統

在上面的ASCII討論中，您看到每一個字符映射到0到127範圍內的整數。但在CPython中還有其餘的數字系統，經過其餘方式是表示數字。除了十進制外，python還支持如下幾個方式：

• Binary: 2進制
• Octal: 8進制
• Hexadecimal (hex): 16進制

你可能要問，爲何有了十進制，還要支持這麼多其餘進制的數字了？這個取決你的業務場景和操做系統，在Python裏，把str轉換成int，默認是10進制的。

>>> int('11')
11
>>> int('11', base=10)  # 10 is already default
11
>>> int('11', base=2)  # Binary
3
>>> int('11', base=8)  # Octal
9
>>> int('11', base=16)  # Hex
17

你能夠在賦值時，直接告訴解釋器數字的類型，不一樣進制標表示方法以下：

類型	前綴	示例
n/a	n/a	11
二進制	0b 或者 0B	0b11
八進制	0o 或者 0O	0o11
十六進制	0x 或者 0X	0x11

>>> 11
11
>>> 0b11  # 二進制
3
>>> 0o11  # 八進制
9
>>> 0x11  # 16進制
17

深刻Unicode

正如您所看到的，ASCII的問題在於它不是一個足夠大的字符集來容納世界上的語言，方言，符號和字形。 （這對於英語來講甚至都不夠大。）Unicode從根本上起到與ASCII相同的做用，可是Unicode擁有更大的存儲空間，具備1,114,112個可能的字符，可以徹底包含世界上全部的語言。事實上，ASCII是Unicode的完美子集。 Unicode表中的前128個字符與您合理指望的ASCII字符徹底對應。

Unicode自己不是編碼，可是有不少遵循Unicode編碼規範編碼，後面講到的UTF-8就是其中一個。

Unicode vs UTF-8

Unicode是一種抽象編碼標準，而不是編碼。這就是UTF-8和其餘編碼方案發揮做用的地方。 Unicode標準（字符到代碼點的映射）從其單個字符集定義了幾種不一樣的編碼。UTF-8及其較少使用的表兄弟UTF-16和UTF-32是用於將Unicode字符表示爲每一個字符一個或多個字節的二進制數據的編碼格式。咱們稍後將討論UTF-16和UTF-32，但到目前爲止，UTF-8佔據了最大份額。

Python 3裏的編碼與解碼

Python 3的str類型用於表示人類可讀的文本，能夠包含任何Unicode字符。

相反，字節類型表示二進制數據或原始字節序列，它們本質上沒有附加編碼。

編碼和解碼是從一個到另外一個的過程：

decode 和 encode 函數，默認編碼是utf-8:

>>> "résumé".encode("utf-8")
b'r\xc3\xa9sum\xc3\xa9'
>>> "El Niño".encode("utf-8")
b'El Ni\xc3\xb1o'

>>> b"r\xc3\xa9sum\xc3\xa9".decode("utf-8")
'résumé'
>>> b"El Ni\xc3\xb1o".decode("utf-8")
'El Niño'

str.encode（）的結果是一個bytes對象，bytes對象只容許ASCII字符。這就是爲何在調用「ElNiño」.encode（「utf-8」）時，容許ASCII兼容的「El」按原樣表示，但帶有波浪號的n被轉義爲「\ xc3 \ xb1」。 這個看起來很亂的序列表明兩個字節，十六進制爲0xc3和0xb1：

>>> " ".join(f"{i:08b}" for i in (0xc3, 0xb1))
'11000011 10110001'

Python3一切字符皆Unicode

• 默認狀況下，Python 3源代碼假定爲UTF-8。 這意味着您不須要＃ - * - 編碼：UTF-8 - * - 位於Python 3中.py文件的頂部。

• 默認狀況下，全部文本（str）都是Unicode。 編碼的Unicode文本表示爲二進制數據（字節）。 str類型能夠包含任何文字Unicode字符，例如「Δv/Δt」，全部這些字符都將存儲爲Unicode。

• Unicode字符集中的任何內容都是標識符中的猶太符號，這意味着résumé=「〜/ Documents / resume.pdf」是有效的，雖然這看起來很花哨。

• Python的re模塊默認爲re.UNICODE標誌而不是re.ASCII。 這意味着，例如，r「\ w」匹配Unicode字符，而不只僅是ASCII字母。

• str.encode（）和bytes.decode（）中的默認編碼是UTF-8。

還有一個更細微的屬性，即內置的open（）的默認編碼是依賴於平臺的，而且取決於locale.getpreferredencoding（）的值：

>>> # Mac OS X High Sierra
>>> import locale
>>> locale.getpreferredencoding()
'UTF-8'

>>> # Windows Server 2012; other Windows builds may use UTF-16
>>> import locale
>>> locale.getpreferredencoding()
'cp1252'

一個關鍵特性是UTF-8是一種可變長度編碼。回想一下關於ASCII的部分。 擴展ASCII-land中的全部內容最多須要一個字節的空間。 您可使用如下生成器表達式快速證實這一點：

>>> all(len(chr(i).encode("ascii")) == 1 for i in range(128))
True

UTF-8徹底不一樣。 給定的Unicode字符能夠佔用1到4個字節。 如下是佔用四個字節的單個Unicode字符的示例：

>>> ibrow = "🤨"
>>> len(ibrow)
1
>>> ibrow.encode("utf-8")
b'\xf0\x9f\xa4\xa8'
>>> len(ibrow.encode("utf-8"))
4

>>> # Calling list() on a bytes object gives you
>>> # the decimal value for each byte
>>> list(b'\xf0\x9f\xa4\xa8')
[240, 159, 164, 168]

這是len（）的一個微妙但重要的特性：

• 做爲Python str的單個Unicode字符的長度始終爲1，不管它佔用多少字節。
• 編碼爲字節的相同字符的長度將介於1和4之間。

UTF-16和UTF-32

咱們來聊聊UTF-16和UTF-32，在實際的編程實踐中，它們和UTF-8區別仍是很重要的，下面的經過實例咱們來看看具體區別：

>>> letters = "αβγδ"
>>> rawdata = letters.encode("utf-8")
>>> rawdata.decode("utf-8")
'αβγδ'
>>> rawdata.decode("utf-16")  # 
'뇎닎돎듎'

在這種狀況下，使用UTF-8編碼四個希臘字母而後解碼回UTF-16中的文本將產生一個徹底不一樣語言（韓語）的文本str。 此表彙總了UTF-8，UTF-16和UTF-32下的字節範圍或字節數：

編碼	長度(字節)	是否可變
UTF-8	1~4	是
UTF-16	2~4	是
UTF-32	4	否

UTF系列編碼另一個須要注意的地方是，UTF-8編碼佔用存儲空間不必定比UTF-16少，由於他們都不是固定長度的。例如

>>> text = "記者 鄭啟源 羅智堅"
>>> len(text.encode("utf-8"))
26
>>> len(text.encode("utf-16"))
22

緣由是U + 0800到U + FFFF（十進制的2048到65535）範圍內的代碼點佔用了UTF-8中的三個字節，而UTF-16中僅佔用了兩個字節。 正常狀況下，最好不用使用UTF-16，除非特殊要求，否則UTF-8更加通用。

Python內建函數

Python內置了不少與編碼相關的函數：

• ascii()
• bin()
• bytes()
• chr()
• hex()
• int()
• oct()
• ord()
• str()

能夠分紅如下幾組:

• ascii()，bin()，hex()和oct(), 第一個是ascii()，它生成一個僅對象的ASCII表示，其中非ASCII字符被轉義。 其他三個分別給出整數的二進制，十六進制和八進制表示。
• bytes()，str()和int()是各自類型，bytes，str和int的類構造函數。 它們各自提供了將輸入強制轉換爲所需類型的方法。 例如，如前所述，雖然int(11.0)可能更常見，但您可能也會看到int(‘11’，base = 16)。
• ord()和chr()，ord()將str字符轉換爲10進制，而chr()執行相反的操做。

Python中的其餘編碼

目前，咱們講了4中編碼：

• ASCII
• UTF-8
• UTF-16
• UTF-32

還有其餘不少編碼，好比Latin-1(也稱做ISO-8859-1)，這是HTTP默認的編碼，然而windows是Latin-1變體，稱做cp1252。 完整的已接受編碼列表隱藏在編解碼器模塊的文檔中，該模塊是Python標準庫的一部分。

還有一個有用的公認編碼須要注意，即「unicode-escape」。 若是您有一個已解碼的str並但願快速得到其轉義的Unicode文字的表示，那麼您能夠在.encode（）中指定此編碼：

>>> alef = chr(1575)  # Or "\u0627"
>>> alef_hamza = chr(1571)  # Or "\u0623"
>>> alef, alef_hamza
('ا', 'أ')
>>> alef.encode("unicode-escape")
b'\\u0627'
>>> alef_hamza.encode("unicode-escape")
b'\\u0623'

注意外部數據編碼

雖然Python代碼默認使用了UTF-8做爲編碼，但並不意味着外部輸入的數據也是UTF-8編碼的，若是這些外部的數據沒有指定編碼，那麼在處理他們是，你就要格外當心了。好比你調用API獲取數據，正常是用UTF-8去解碼，沒有問題，但若是忽然API給你返回這樣的數據:

>>> data = b"\xbc cup of flour"
>>> data.decode("utf-8")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xbc in position 0: invalid start byte

這地方拋出了UnicodeDecodeError錯誤，仔細檢查，發現其實數據的編碼是Latin-1。

>>> data.decode("latin-1")
'¼ cup of flour'

若是你對字符串的編碼不肯定，可使用chardet庫來檢查字符串編碼。

總結

在本文中你已經瞭解了編碼的詳細原理，相信你在之後的編程過程當中，再遇到編碼錯誤，相信你能比較從容的解決了。