python字符集编码深入理解

男娘i 2022-08-07 11:51 140阅读 0赞

在**python**中和字符串相关的类型,分别是**str,unicode**两种不同的类型：

basestring
           |
           +--str
           |
           +-- unicode

**脚本字符编码：**

指脚本文件本身是用何种字符编码的，默认情况Python解释器（解释器就是执行[python][]程序的程序）认为脚本是ascii码：

#test.py
    print "你好"

上面是test.py脚本，运行 python test.py 就会包如下错误：

*File “test.py”, line 1yntaxError: Non-ASCII character ‘\\xe4′ in file test.py on line 1, but no encoding declared; see http://www.python.org/ps/pep-0263.html for details*

所以如果文件中要使用非ascii编码的字符串，就必须在文件头部声明：

#coding=utf8
    #或者
    # coding=gb18030

这样就相当于告诉python解释器使用utf8编码或者gb18030来解释脚本文件。

**解释器 字符编码：**

解释器字符编码是指解释器内部认为的str类型的字符串的编码，也就是说python解释器会把str类型的字符串当作何种字符编码来处理。默认，[*python解释器字符编码*][python]也是ascii的。可以通过命令查看：

>>> sys.getdefaultencoding()
    'ascii'

不同的字符编码集如utf-8、gbk、iso8859-1等等的字符串（注：这些字符编码集都是针对str类型的字符串而言的，unicode字符串没有字符集这类说法）之间相互转换是怎么进行的呢？答案就是他们通过一个中间桥梁unicode来转换，相关的两个方法是decode和encode。

#从str类型的字符串转换到unicode
    s.decode(encoding)   =====><type 'str'> to <type 'unicode'>
    #从str类型的字符串转换到unicode
    u.encode(encoding)  =====><type 'unicode'> to <type 'str'>

问题：现在假设我想要把一个gbk字符编码的str对象转换为utf-8的str对象，该如何转换呢？

现在默认我是在windows下操作，操作系统的字符编码默认是gbk的，

>>> s="你好"
    >>> s
    '\xc4\xe3\xba\xc3'
    >>> len(s)
    4

gbk字符编码的两个中文的长度是4，如果是utf-8编码的字符串“你好”的长度是6，稍后我们把“s”转换成utf-8的看看是不是长度为6。

首先我们要先把”s”转换成unicode，在从unicode转换成utf-8编码的str对象：

>>> s1 = s.decode('gbk').encode('utf-8')
    >>> s1
    '\xe4\xbd\xa0\xe5\xa5\xbd'
    >>> len(s1)
    6
    >>>

实验证明s1就是一个utf-8编码的str类型的字符串对象。

**str(S)与unicode(S)**

str(s)和unicode(s)是两个工厂方法，分别返回str字符串对象和unicode字符串对象，str(s)是s.encode(‘ascii’)的简写。实验：

>>> s3 = u"你好"
    >>> s3
    u'\u4f60\u597d'
    >>> str(s3)
    Traceback (most recent call last):
      File "<stdin>", line 1, in <module>
    UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

上面s3是unicode类型的字符串，str(s3)相当于是执行s3.encode(‘ascii’)，前面介绍过python解释器默认字符编码是’ascii’的，之所以报错是因为转换后的s3里面含有非ascii字符（ascii只能表示0-127之间的ascii码字符）。所以就报错了，正确的指定编码：s3.encode(‘gbk’)就不会出现这个问题了。类似的unicode有同样的错误：

>>> s4 = "你好"
    >>> unicode(s4)
    Traceback (most recent call last):
      File "<stdin>", line 1, in <module>
    UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in range(128)
    >>>

unicode(s4)等效于s4.decode(‘ascii’)，而这里s4是gbk字符编码的（因为我的操作系统默认编码是gbk），因此要正确的转换就要正确指定其编码s4.deocde(‘gbk’)。

**更新**  
对于如unicode形式的字符串（str类型)：

s = 'id\u003d215903184\u0026index\u003d0\u0026st\u003d52\u0026sid’

转换成真正的unicode需要使用：

s.decode('unicode-escape')

测试：

>>> s = 'id\u003d215903184\u0026index\u003d0\u0026st\u003d52\u0026sid\u003d95000\u0026i'
    >>> print(type(s))
    <type 'str'>
    >>> s = s.decode('unicode-escape')
    >>> s
    u'id=215903184&index=0&st=52&sid=95000&i'
    >>> print(type(s))
    <type 'unicode'>
    >>>

来自:http://foofish.net/blog/16/understanding-python-charset

[python]: http://blog.csdn.net/shanzhizi/article/category/3075757