python: 编码问题

什么是编码

任何一种语言、文字、符号等等，计算都是将其以一种类似字典的形式存起来的，比如最早的计算机系统将英文文字转为数字存储（ASCII码），这种文字与数字（或其他）一一对应的关系我们称之为编码。由于ASCII码只包含了大小写英文字母、数字和一些符号，显然当计算机推广到世界之后随着语种增多，这套编码并不适用，于是中国针对中文推出了GB2312码，但是多语言时，又不行了，于是就出现了强大的Unicode（万国码）。但是由于Unicode存储性能问题，在纯英文时存储效率要远低于ACSII码，于是又出现了现在的UTF-8编码（8-bit Unicode Transformation Format），可以看做是Unicode的加强版，通过可变长度的编码来使存储最优，而且UTF-8编码包含了ASCII码，这一点非常重要。

python处理文本时的中间编码为Unicode，于是就有了decode和encode，前者将unicode以外的字符串解码为unicode，后者将unicode编码为指定编码。

当你输入字符串时

首先，当你在python代码中输入一个字符串时候，它是以什么编码形式被保存的呢？

• 如果输入了一串纯英文，数字，或英文状态下的标点符号，那么无论有没有在代码最前面做编码申明（如"# -- coding:utf-8 --"），字符串都是由ASCII码存储的，原因很简单，ascii码只支持英文，占用性能与空间小。

  • 此时，该字符串可以随意decode(解码)和encode(编码)，不会报错，甚至不会进行任何变动，永远都是ascii码，type类型是str
  • 如果在输入该字符串时加入了Unicode申明，即 u"balabala"，那么此时字符串type格式为Unicode，可以随意encode，不可decode，但是无论encode成什么，python还是都会以ascii的形式存储

• 如果输入了中文，那么情况一下子就变得复杂起来。此时必须进行编码申明，否则会抛出如下错误：“Non-ASCII character '\xe5' in file **，but no encoding declared”，意思就是你输入了ASCII码无法识别的东西，且没有进行编码申明，所以此时要在文件开头进行编码申明，完整版如下：

#!/usr/bin/python
# -*- coding: <encoding name> -*-

此时处填上编码方式，不区分大小写，其实只写下面一行就行了，上面一行只是为了在linux系统里识别而已。很多人对这种在注释中进行申明的方式很不习惯，也不解-*-是什么鬼，但是PEP 263告诉我们，这样只是为了好看而已...

• 举个例子，如果你申明了utf-8编码，那么你输入的任何带有非英文（以及符合）非数字的字符串，都是utf-8编码，我们可以通过 .decode('utf-8')的方式将其解码为Unicode码方便python处理，注意此时不仅其编码编成Unicode，其类型也从str变成了Unicode。当然也可以使用unicode(string,'utf-8')的方式来将其解码为unicode，Unicode函数与str函数的区别是前者尝试用给定编码（不给定时用ASCII）进行decode，而后者尝试用ASCII（defaultencoding）进行encode，由于ASCII码被utf-8码包含，所以对于utf-8字符串，进行str()是没有问题的，但是对于其他编码文本进行str()则会报错或是乱码。
• 如果输入字符串时进行Unicode申明，如a=u"杨睿很帅",那么此时字符串编码直接为unicode。可随意进行encode，不可decode，不可str

注意：

• chardet库的detect方法可以得到字符串的编码类型，当输入字符串为unicode时程序报错，有时候也会误判，置信水平小鱼0.7则不可轻信了。
• 上述只针对在非DOS中执行py文件时适用：如果是在IDLE中单步执行，则中文字符串是以系统默认编码(windows-1252)保存；如果是在DOS界面中运行，则为GBK编码，而且中文也必须是GBK编码才可正常显示，否则报错。
• 选择一款好的IDE，设置一款独特的凸显品味的字体与配色，能够让初学者前期愉快地被编码问题搞崩，而不是恼火地崩掉，也能帮助你很好的管理代码。（推荐PyCharm，有免费版）

设置默认编码

import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )

以上代码将系统编码由ASCII码转为UTF-8编码。reload(sys)是因为import时将setdefaultencoding()方法删除了，所以将其重新载入回来。为什么说ascii是系统默认编码，因为当你使用str()给字符串encode或者是unicode()来decode时，都是默认使用了ASCII码，因此经常会报出类似"UnicodeDecodeError: 'ascii' codec can't decode byte 0xd1 in position 0"的错误，原因就是字符串里掺杂了中文，前面说到ascii码是不支持中文的。如果把系统默认编码设置为utf-8，就不会出现这样的问题了哦~

那么，它与脚本开头的"# -- coding:utf-8 --"有什么区别呢，注意，脚本开头的编码申明只是针对在脚本中输入的非英文、数字、符号的字符串如中文，将其存成utf-8的形式，而非系统转码的形式。

当开头设置默认编码时，很容易出现程序运行到setdefaultencoding就默认终止的情况（IDLE下），这时候需要在reload前后加入这个，目的是为了重新定向，防止reload将变量重置：

stdout = sys.stdout
reload(sys)
sys.stdout = stdout

IO时的编码问题

• txt
  1.写txt文件时，windows下默认会写出为ANSI编码，在windows系统下就是GBK编码。如果字符串被encode为utf-8，那么写出的txt则为utf-8，但是当字符串为unicode时，如果有中文，写出会报错，原因就是按照系统默认编码ascii进行编码了，按之前所说的将默认编码改为utf8就没问题了，但输出的也变成了utf-8。如果想写入unicode，需要借助codecs库的open方法，读者可以自行百度。
  2.读取txt文件时，如果txt文件为ANSI码，则读入的为gbk编码，可用gbk解码；如果txt文件为utf-8编码，则读入的也为utf-8编码；而如果txt为unicode时，我们会发现一个奇怪的现象，读入的文本编码变成了"utf-16"，所以需要用utf-16解码（至于为什么留给读者探索）。
• csv
  写出csv时，注意utf-8编码和gbk编码是不能用制表符\t进行分列的（excel显示时），必须使用逗号，否则无法显示分列结果。windows下推荐用gbk写出，否则中文容易乱码。当然，如果是包含大量文本的数据，非常不推荐使用csv输出，一不小心就错位，直接输出excel是不错的选择。
• excel
  xlrd,xlwt,xlsxwriter都是非常好的excel读写库，xlrd目前支持读写xlsx(2007版)与xls(2003版),xlwt只支持写出2003版xls,xlsxwriter支持2007版的写出，而且输入字符串均需要时unicode编码才行，否则报错。

网页抓取时的编码问题

网页抓取时遇到的主要问题，无非是网页源代码中掺杂了为被转义的编码形式，被作为纯文本读了进来，比如这样一个字符串"\u6768\u777f"，无论怎么print 它都是这个形式因为它是文本，不是编码，那么怎么转为中文呢，则需要用如下命令:

print text.decode('unicode_escape')

非常生动形象的，这句话相当于是把“逃离”掉的unicode编码进行再编码，于是就得到了我们想要的中文。

同样，有的网页中的文字是以反斜杠加三个数字形式呈现的，这个是标准的八进制字符串，如"\345\244\247"，则表示一个中文字；而utf-8的表现形式为16进制字符串，像"\xe6\x9d\xa8"就代表着一个字 ，对于这些字符，只需要使用如下命令即可从文本转为编码字符串：

print text.decode('string_escape')