python中编码问题

原文链接：

http://www.iteye.com/topic/560229

一、 预备知识

1， 常用字符集分类

ASCII及其扩展字符集

作用：表语英语及西欧语言。

位数：ASCII是用7位表示的，能表示128个字符；其扩展使用8位表示，表示256个字符。

范围：ASCII从00到7F，扩展从00到FF。

ISO-8859-1字符集

作用：扩展ASCII，表示西欧、希腊语等。

位数：8位，

范围：从00到FF，兼容ASCII字符集。

GB2312字符集

作用：国家简体中文字符集，兼容ASCII。

位数：使用2个字节表示，能表示7445个符号，包括6763个汉字，几乎覆盖所有高频率汉字。

范围：高字节从A1到F7, 低字节从A1到FE。将高字节和低字节分别加上0XA0即可得到编码。

BIG5字符集

作用：统一繁体字编码。

位数：使用2个字节表示，表示13053个汉字。

范围：高字节从A1到F9，低字节从40到7E，A1到FE。

GBK字符集

作用：它是GB2312的扩展，加入对繁体字的支持，兼容GB2312。

位数：使用2个字节表示，可表示21886个字符。

范围：高字节从81到FE，低字节从40到FE。

GB18030字符集

作用：它解决了中文、日文、朝鲜语等的编码，兼容GBK。

位数：它采用变字节表示(1 ASCII，2，4字节)。可表示27484个文字。

范围：1字节从00到7F; 2字节高字节从81到FE，低字节从40到7E和80到FE；4字节第一三字节从81到FE，第二四字节从30到39。

UCS字符集

作用：国际标准 ISO 10646 定义了通用字符集 (Universal Character Set)。它是与UNICODE同类的组织，UCS-2和UNICODE兼容。

位数：它有UCS-2和UCS-4两种格式，分别是2字节和4字节。

范围：目前，UCS-4只是在UCS-2前面加了0×0000。

UNICODE字符集

作用：为世界650种语言进行统一编码，兼容ISO-8859-1。

位数：UNICODE字符集有多个编码方式，分别是UTF-8，UTF-16和UTF-32。

2. 按所表示的文字分类

语言 字符集 正式名称

英语、西欧语 ASCII，ISO-8859-1 MBCS 多字节

简体中文 GB2312 MBCS 多字节

繁体中文 BIG5 MBCS 多字节

简繁中文 GBK MBCS 多字节

中文、日文及朝鲜语 GB18030 MBCS 多字节

各国语言 UNICODE，UCS DBCS 宽字节

3. 编码

UTF-8：采用变长字节 (1 ASCII, 2 希腊字母, 3 汉字, 4 平面符号) 表示，网络传输, 即使错了一个字节，不影响其他字节，而双字节只要一个错了，其他也错了，具体如下：如果只有一个字节则其最高二进制位为0；如果是多字节，其第一个字节从最高位开始，连续的二进制位值为1的个数决定了其编码的字节数，其余各字节均以10开头。UTF-8最多可用到6个字节。

UTF-16：采用2字节，Unicode中不同部分的字符都同样基于现有的标准。这是为了便于转换。从 0×0000到0×007F是ASCII字符，从0×0080到0×00FF是ISO-8859-1对ASCII的扩展。希腊字母表使用从0×0370到 0×03FF 的代码，斯拉夫语使用从0×0400到0×04FF的代码，美国使用从0×0530到0×058F的代码，希伯来语使用从0×0590到0×05FF的代 码。中国、日本和韩国的象形文字（总称为CJK）占用了从0×3000到0×9FFF的代码；由于0×00在c语言及操作系统文件名等中有特殊意义，故很
多情况下需要UTF-8编码保存文本，去掉这个0×00。举例如下：

UTF-16: 0×0080 = 0000 0000 1000 0000

UTF-8: 0xC280 = 1100 0010 1000 0000

UTF-32：采用4字节。

优缺点

UTF-8、UTF-16和UTF-32都可以表示有效编码空间 (U+000000-U+10FFFF) 内的所有Unicode字符。

使用UTF-8编码时ASCII字符只占1个字节，存储效率比较高，适用于拉丁字符较多的场合以节省空间。

对于大多数非拉丁字符（如中文和日文）来说，UTF-16所需存储空间最小，每个字符只占2个字节。

Windows NT内核是Unicode（UTF-16），采用UTF-16编码在调用系统API时无需转换，处理速度也比较快。

采用UTF-16和UTF-32会有Big Endian和Little Endian之分，而UTF-8则没有字节顺序问题，所以UTF-8适合传输和通信。

UTF-32采用4字节编码，一方面处理速度比较快，但另一方面也浪费了大量空间，影响传输速度，因而很少使用。

二、 python与字符编码

ASCII
是一种字符集,包括大小写的英文字母、数字、控制字符等，它用一个字节表示，范围是 0-127

Unicode分为UTF-8和UTF-16。UTF-8变长度的，最多 6 个字节，小于 127 的字符用一个字节表示，与 ASCII 字符集的结果一样，ASCII 编码下的英语文本不需要修改就可以当作 UTF-8 编码进行处理。

Python 从 2.2 开始支持 Unicode ，函数 decode( char_set )可以实现 其它编码到 Unicode 的转换，函数 encode( char_set )实现 Unicode 到其它编码方式的转换。

比如 ("你好").decode( "GB2312") 将得到 u'\u4f60\u597d'，即 "你"和“好"的 Unicode 码分别是 0x4f60 和 0x597d

再用 (u'\u4f60\u597d').encode("UTF-8") 将得到 '\xe4\xbd\xa0\xe5\xa5\xbd'，它是 “你好”的UTF-8编码结果。

python中使用 unicode的关键：unicode是一个类，函数unicode(str,"utf8")从utf8编码（当然也可以是别的编码）的字符串str生成 unicode类的对象，而函数unc.encode("utf8")将unicode类的对象unc转换为（编码为）utf8编码（当然也可以是别的编码）的字符串。于是，编写unicode相关程序，需要做的事情是

* 获取数据（字符串）时，用unicode(str, "utf8")生成unicode对象

* 在程序中仅使用unicode对象，对程序中出现的字符串常量都以u"字符串"的形式书写

* 输出时，可将unicode对象转换为任意编码输出，使用str.encode("some_encoding")

>>> unicode("你好", "utf8")

u'\u4f60\u597d'

>>> x = _

>>> type(x)

<type 'unicode'>

>>> type("你好")

<type 'str'>

>>> x.encode("utf8")

'\xe4\xbd\xa0\xe5\xa5\xbd'

>>> x.encode("gbk")

'\xc4\xe3\xba\xc3'

>>> x.encode("gb2312")

'\xc4\xe3\xba\xc3'

>>> print x

你好

>>> print x.encode("utf8")

你好

>>> print x.encode("gbk")

???

python里面基本上要考虑三种编码格式

1 源文件编码

在文件头部使用coding声明。告诉python解释器该代码文件所使用的字符集。

＃/usr/bin/python

#coding: utf8

2 内部编码

代码文件中的字符串，经过decode以后，被转换为统一的unicode格式的内部数据，类似于u'*'。unicode数据可以使用encode函数，再自由转换为其他格式的数据，相当于一个统一的平台。

直接输入unicode数据

>>> u'你好'

u'\u4f60\u597d'

将unicode数据转换为gb2312格式

>>> u'你好'.encode('gb2312')

'\xc4\xe3\xba\xc3'

将输入的gb2312格式的数据解码为unicode

>>> '你好'.decode('gb2312')

u'\u4f60\u597d'

输入数据的格式取决于所用shell终端的编码设置，本例中为zh_CN

[root@chenzheng python]# echo $LANG

zh_CN

解码同时转换为utf8

>>> '你好'.decode('gb2312').encode('utf8')

'\xe4\xbd\xa0\xe5\xa5\xbd'

3 外部输入的编码

其实这个和在python交互shell中输入的字符串，所遇到的情况基本一样。但程序中常常用到从网络，文件读取的数据，故此单独列出，需要特别注意其编码格式是否于系统要求相符。

下面是baidu中文本周金曲榜的链接，返回一个xml文件，编码格式为gb2312
http://box.zhangmen.baidu.com/x?op=4&listid=1
由于xml.etree.EelementTree.parse()不识别gb2312编码，在解析的时候，需要将其转换utf8格式才可以，可以使用下面的函数

def read_page(url):

"""读取gb2312编码的xml文件，转换为utf8格式"""

import urllib

udata = urllib.urlopen(url).read().decode('gb2312')

u8data = udata.encode('utf8')

return u8data.replace('gb2312', 'utf-8') #简单替换xml文件第一行的encoding属性值

另外，可以使用一个小函数来判断数据的编码格式：

def encoding(s):

cl = ['utf8', 'gb2312']

for a in cl:

try:

s.decode(a)

return a

except UnicodeEncodeError:

pass

return 'unknown'

被广泛转载的“在Python中使用中文”

我也转载一下：

1. 在Python中使用中文

在Python中有两种默认的字符串：str和unicode。在Python中一定要注意区分“Unicode字符串”和“unicode对象”的区别。后面所有的“unicode字符串”指的都是python里的“unicode对象”。

事实上在Python中并没有“Unicode字符串”这样的东西，只有“unicode”对象。一个传统意义上的unicode字符串完全可以用str对象表示。只是这时候它仅仅是一个字节流，除非解码为unicode对象，没有任何实际的意义。

我们用“哈哈”在多个平台上测试，其中“哈”对应的不同编码是：

1． UNICODE (UTF8-16)， C854；

2． UTF-8， E59388；

3． GBK， B9FE。

1.1 Windows控制台

下面是在windows控制台的运行结果：





可以看出在控制台，中文字符的编码是GBK而不是UTF-16。将字符串s（GBK编码）使用decode进行解码后，可以得到同等的unicode对象。

注意：可以在控制台打印ss并不代表它可以直接被序列化，比如：





向文件直接输出ss会抛出同样的异常。在处理unicode中文字符串的时候，必须首先对它调用encode函数，转换成其它编码输出。这一点对各个环境都一样。

总结：在Python中，“str”对象就是一个字节数组，至于里面的内容是不是一个合法的字符串，以及这个字符串采用什么编码（gbk, utf-8,unicode）都不重要。这些内容需要用户自己记录和判断。这些的限制也同样适用于“unicode”对象。要记住“unicode”对象中的内容可绝对不一定就是合法的unicode字符串，我们很快就会看到这种情况。

总结：在windows的控制台上，支持gbk编码的str对象和unicode编码的unicode对象。

1.2 Windows IDLE（在Shell上运行）

在windows下的IDLE中，运行效果和windows控制台不完全一致：

可以看出，对于不使用“u”作标识的字符串，IDLE把其中的中文字符进行GBK编码。但是对于使用“u”的unicode字符串，IDLE居然一样是用了GBK编码，不同的是，这时候每一个字符都是unicode（对象）字符！！此时len(ss)
= 4。

这样产生了一个神奇的问题，现在的ss无法在IDLE中正常显示。而且我也没有办法把ss转换成正常的编码！比如采用下面的方法：

这有可能是因为IDLE本地化做得不够好，对中文的支持有问题。建议在IDLE的SHELL中，不要使用u“中文”这种方式，因为这样得到的并不是你想要的东西。

这同时说明IDLE的Shell支持两种格式的中文字符串：GBK编码的“str”对象，和UNICODE编码的unicode对象。

1.3 在IDLE上运行代码

在IDLE的SHELL上运行文件，得到的又是不同的结果。文件的内容是：

直接运行的结果是：

毫无瑕疵，相当令人满意。我没有试过其它编码的文件是否能正常运行，但想来应该是不错的。

同样的代码在windows的控制台试演过，也没有任何问题。

1.4 Windows Eclipse

在Eclipse中处理中文更加困难，因为在Eclipse中，编写代码和运行代码属于不同的窗口，而且他们可以有不同的默认编码。对于如下代码：

代码:

#!/usr/bin/python

# -*- coding: utf-8 -*-

s = "哈哈"

ss = u'哈哈'

print repr(s)

print repr(ss)

print s.decode('utf-8').encode('gbk')

print ss.encode('gbk')

print s.decode('utf-8')

print ss

前四个print运行正常，最后两个print都会抛出异常：

代码:

'\xe5\x93\x88\xe5\x93\x88'

u'\u54c8\u54c8'

哈哈

哈哈

Traceback (most recent call last):

File "E:\Workspace\Eclipse\TestPython\Test\test_encoding_2.py",
line 13, in <module>

print s.decode('utf-8')

UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

也就是说，GBK编码的str对象可以正常打印，但是不能打印UNICODE编码的unicode对象。在源文件上点击“Run as”“Run”，然后在弹出对话框中选择“Common”：





可以看出Eclipse控制台的缺省编码方式是GBK；所以不支持UNICODE也在情理之中。如果把文件中的coding修改成GBK，则可以直接打印GBK编码的str对象，比如s。

如果把源文件的编码设置成“UTF-8”，把控制台的编码也设置成“UTF-8”，按道理说打印的时候应该没有问题。但是实验表明，在打印UTF-8编码的str对象时，中文的最后一个字符会显示成乱码，无法正常阅读。不过我已经很满足了，至少人家没有抛异常不是:)

BTW: 使用的Eclipse版本是3.2.1。

1.5 从文件读取中文

在window下面用记事本编辑文件的时候，如果保存为UNICODE或UTF-8，分别会在文件的开头加上两个字节“\xFF\xFE”和三个字节“\xEF\xBB\xBF”。在读取的时候就可能会遇到问题，但是不同的环境对这几个多于字符的处理也不一样。

以windows下的控制台为例，用记事本保存三个不同版本的“哈哈”。





打开utf-8格式的文件并读取utf-8字符串后，解码变成unicode对象。但是会把附加的三个字符同样进行转换，变成一个unicode字符，字符的数据值为“\xFF\xFE”。这个字符不能被打印。编码的时候需要跳过这个字符。





打开unicode格式的文件后，得到的字符串正确。这时候适用utf-16解码，能得到正确的unicdoe对象，可以直接使用。多余的那个填充字符在进行转换时会被过滤掉。





打开ansi格式的文件后，没有填充字符，可以直接使用。

结论：读写使用python生成的文件没有任何问题，但是在处理由notepad生成的文本文件时，如果该文件可能是非ansi编码，需要考虑如何处理填充字符。

1.6 在数据库中使用中文

刚刚接触Python，我用的数据库是mysql。在执行插入、查找等操作时，如果运行环境使用的字符编码和mysql不一致，就可能导致运行时的错误。当然，和上面看到的情况一样，运行环境并不是关键因素，关键是查询语句的编码方式。如果在每次执行查询操作时都把查询字符串做一次编码转换，转变成mysql的默认字符编码，一样不会遇到问题。但是这样写代码也太痛苦了吧。

使用如下代码连接数据库：

self.conn = MySQLdb.connect(use_unicode = 1, charset='utf8', **server)

我不能理解的是既然数据库用的默认编码是UTF-8，我连接的时候也用的是UTF-8，为什么查询得到的文本内容却是UNICODE编码（unicode对象）？这是MySQLdb库的设置么？

1.7 在XML中使用中文

使用xml.dom.minidom和MySQLdb类似，对生成的dom对象调用toxml方法得到的是unicode对象。如果希望输出utf-8文本，有两种方法：

1．使用系统函数

在输出xml文档的时候进行编码，这是我觉得最好的方法。

代码:

xmldoc.toxml(encoding=’utf-8’)

xmldoc.writexml(outfile, encoding = ‘utf-8’)

2．自己编码生成

在使用toxml之后可以调用encode方法对文档进行编码。但这种方法无法得到合适的xml declaration（xml文档第一行中的encoding部分）。

不要尝试通过xmldoc.createProcessingInstruction来创建一个processing instraction：

<?xml version=’1.0’ encoding=’utf-8’?>

xml declaration虽然看起来像是，但是事实上并不是一个processing instraction。可以通下面的方法得到一个满意的xml文件：

代码:

print >> outfile, “<?xml version=’1.0’
encoding=’utf-8’?>”

print >> outfile, xmldoc.toxml().encode(‘utf-8’)[22:]

其中第二行需要过滤掉在调用xmldoc.toxml时生成的“<?xml version=’1.0’ ?>”，它的长度是22。

相面是两种方法的用法比较：





另外，在IDLE的shell中，不要用 u’中文’ 对属性进行赋值。上面讨论过，这样得到的unicode字符串不正确。