python 中文亂碼 問題深刻分析

在本文中，以'哈'來解釋做示例解釋全部的問題，「哈」的各類編碼以下：

  1. UNICODE (UTF8-16)，C854；

  2． UTF-8，E59388；

  3． GBK，B9FE。

1、python中的str和unicode

一直以來，python中的中文編碼就是一個極爲頭大的問題，常常拋出編碼轉換的異常，python中的str和unicode究竟是一個什麼東西呢？

在python中提到unicode，通常指的是unicode對象，例如'哈哈'的unicode對象爲

u'/u54c8/u54c8'

而str，是一個字節數組，這個字節數組表示的是對unicode對象編碼(能夠是utf-八、gbk、cp93六、GB2312)後的存儲的格式。這裏它僅僅是一個字節流，沒有其它的含義，若是你想使這個字節流顯示的內容有意義，就必須用正確的編碼格式，解碼顯示。

例如：

對於unicode對象哈哈進行編碼，編碼成 一個utf-8編碼的str－s_utf8,s_utf8就是是一個字節數組，存放的就是'/xe5/x93/x88/xe5/x93/x88'，可是這 僅僅是一個字節數組，若是你想將它經過print語句輸出成哈哈，那你就失望了，爲何呢？

由於print語句它的實現是將要輸出的內容 傳送了操做系統，操做系統會根據系統的編碼對輸入的字節流進行編碼，這就解釋了爲何utf-8格式的字符串「哈哈」，輸出的是「鍝堝搱」，由於 '/xe5/x93/x88/xe5/x93/x88'用GB2312去解釋，其顯示的出來就是「鍝堝搱」。這裏再強調一下，str記錄的是字節數組，只 是某種編碼的存儲格式，至於輸出到文件或是打印出來是什麼格式，徹底取決於其解碼的編碼將它解碼成什麼樣子。

這裏再對print進行一點補充說明：當將一個unicode對象傳給print時，在內部會將該unicode對象進行一次轉換，轉換成本地的默認編碼（這僅是我的猜想）

 

2、str和unicode對象的轉換

str和unicode對象的轉換，經過encode和decode實現，具體使用以下：

將GBK'哈哈'轉換成unicode，而後再轉換成UTF8

 

3、Setdefaultencoding

如上圖的演示代碼所示：

當把s(gbk字符串)直接編碼成utf-8的時候，將拋出異常，可是經過調用以下代碼：

import sys

reload(sys)

sys.setdefaultencoding('gbk')

後就能夠轉換成功，爲何呢？在python中str和unicode在編碼和解碼過程當中，若是將一個str直接編碼成另外一種編碼，會先把str解碼成unicode，採用的編碼爲默認編碼，通常默認編碼是anscii，因此在上面示例代碼中第一次轉換的時候會出錯，當設定當前默認編碼爲'gbk'後，就不會出錯了。

至於reload(sys)是由於Python2.5 初始化後會刪除 sys.setdefaultencoding 這個方法，咱們須要從新載入。

 

4、操做不一樣文件的編碼格式的文件

 

創建一個文件test.txt，文件格式用ANSI，內容爲:

abc中文

用python來讀取

# coding=gbk

print open("Test.txt").read()

結果：abc中文

把文件格式改爲UTF-8：

結果：abc涓枃

顯然，這裏須要解碼：

# coding=gbk

import codecs

print open("Test.txt").read().decode("utf-8")

結果：abc中文

上面的test.txt我是用Editplus來編輯的，但當我用Windows自帶的記事本編輯並存成UTF-8格式時，

運行時報錯：

Traceback (most recent call last):

File "ChineseTest.py", line 3, in 

print open("Test.txt").read().decode("utf-8")

UnicodeEncodeError: 'gbk' codec can't encode character u'/ufeff' in position 0: illegal multibyte sequence

原來，某些軟件，如notepad，在保存一個以UTF-8編碼的文件時，會在文件開始的地方插入三個不可見的字符（0xEF 0xBB 0xBF，即BOM）。

所以咱們在讀取時須要本身去掉這些字符，python中的codecs module定義了這個常量：

# coding=gbk

import codecs

data = open("Test.txt").read()

if data[:3] == codecs.BOM_UTF8:

data = data[3:]

print data.decode("utf-8")

結果：abc中文

 

 

5、文件的編碼格式和編碼聲明的做用

源文件的編碼格式對字符串的聲明有什麼做用呢？這個問題困擾一直困擾了我很久，如今終於有點眉目了，文件的編碼格式決定了在該源文件中聲明的字符串的編碼格式，例如：

str = '哈哈'

print repr(str)

a.若是文件格式爲utf-8，則str的值爲：'/xe5/x93/x88/xe5/x93/x88'（哈哈的utf-8編碼）

b.若是文件格式爲gbk，則str的值爲：'/xb9/xfe/xb9/xfe'（哈哈的gbk編碼）

在第一節已經說過，python中的字符串， 只是一個字節數組，因此當把a狀況的str輸出到gbk編碼的控制檯時，就將顯示爲亂碼：鍝堝搱；而當把b狀況下的str輸出utf-8編碼的控制檯時， 也將顯示亂碼的問題，是什麼也沒有，也許'/xb9/xfe/xb9/xfe'用utf-8解碼顯示，就是空白吧。>_<

說完文件格式，如今來談談編碼聲明的做用吧，每一個文件在最上面的地方，都會用# coding=gbk 相似的語句聲明一下編碼，可是這個聲明到底有什麼用呢？到止前爲止，我以爲它的做用也就是三個：

1. 聲明源文件中將出現非ascii編碼，一般也就是中文；
2. 在高級的IDE中，IDE會將你的文件格式保存成你指定編碼格式。
3. 決定源碼中相似於u'哈'這類聲明的將‘哈’解碼成unicode所用的編碼格式，也是一個比較容易讓人迷惑的地方，看示例：

#coding:gbk

ss = u'哈哈'

print repr(ss)

print 'ss:%s' % ss

將這個些代碼保存成一個utf-8文本，運行，你認爲會輸出什麼呢？你們第一感受確定輸出的確定是：

u'/u54c8/u54c8'

ss:哈哈

可是實際上輸出是：

u'/u935d/u581d/u6431'

ss:鍝堝搱

爲何會這樣，這時候，就是編碼聲明在做怪了，在運行ss = u'哈哈'的時候，整個過程能夠分爲如下幾步：

1) 獲取'哈哈'的編碼：由文件編碼格式肯定，爲'/xe5/x93/x88/xe5/x93/x88'（哈哈的utf-8編碼形式）

2) 轉成 unicode編碼的時候，在這個轉換的過程當中，對於'/xe5/x93/x88/xe5/x93/x88'的解碼，不是用utf-8解碼，而是用聲明編 碼處指定的編碼GBK，將'/xe5/x93/x88/xe5/x93/x88'按GBK解碼，獲得就是''鍝堝搱''，這三個字的unicode編碼就 是u'/u935d/u581d/u6431'，至止能夠解釋爲何print repr(ss)輸出的是u'/u935d/u581d/u6431' 了。

好了，這裏有點繞，咱們來分析下一個示例：

#-*- coding:utf-8 -*-

ss = u'哈哈'

print repr(ss)

print 'ss:%s' % ss

將這個示例此次保存成GBK編碼形式，運行結果，居然是：

UnicodeDecodeError: 'utf8' codec can't decode byte 0xb9 in position 0: unexpected code byte

這裏爲何會有utf8解碼錯誤呢？想一想上個 示例也明白了，轉換第一步，由於文件編碼是GBK，獲得的是'哈哈'編碼是GBK的編碼'/xb9/xfe/xb9/xfe'，當進行第二步，轉換成 unicode的時候，會用UTF8對'/xb9/xfe/xb9/xfe'進行解碼，而你們查utf-8的編碼表會發現，utf8編碼表（關於UTF- 8解釋可參見字符編碼筆記：ASCII、UTF-八、UNICODE）中根本不存在，因此會報上述錯誤。