Python 编码的这些坑,你还在踩吗!?

来源:imwty
链接:segmentfault.com/a/1190000007309014

常见的编码

ASCII: 1个字节,只编码英文字母和符号

gb2312: 2个字节,增加了中文汉字和符号

Unicode: 把所有语言都统一到一套编码里把所有语言都统一到一套编码里,

一般是2个字节,生僻字4个字节

utf-8: 可变长编码,常用的英文字母被编码成1个字节,汉字通常是3个字节,只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符,用UTF-8编码就能节省空间:

在计算机内存中,统一使用Unicode编码,当需要保存到硬盘或者需要传输的时候,就转换为UTF-8编码,这样可以节省很多存储空间。

Python编码(python2.7)

在python中,str和unicode都是basestring的子类,basestring有以下两个方法:

  • encode(): 将unicode字符串转换为其他编码字符串,参数为转换后编码
  • decode(): 将其他编码转换为unicode字符串,参数为转换前编码

PS:"string".decode( utf-8 ) == unicode( string , utf-8 )

 s = 中文

 print type(s), len(s)

 u = u 中文

 print type(u), len(u)

 u2s = u 中文 .encode( utf-8 )

print type(u2s), len(u2s)

结果

<type str > 6

<type unicode > 2

<type str > 6

console下查看u2s

>>> u 中文 .encode( utf-8 )

中文

结论:

  • python中定义的一个str变量实则是字节串,由Unicode经过编码(encode)后的字节组成的(也正好印证了utf8编码中一个中文字符是3个字节)
  • Unicode才是真正意义上的字符串,由字符组成
s = 中文
 
 # 这时是str,转为unicode需要用decode
 
 u = s.decode( utf-8 )
 
 print type(u)
 
 # 打印 <type  unicode >

# unicode转为str ,使用encode

s2 = u.encode( utf-8 )

print type(s2)

# 打印 <type  str >

新结论:不同编码转换,使用Unicode作为中间编码

#s是code_A的str

s.decode( code_A ).encode( code_B )

在Python 3.x版本中,把 xxx 和u xxx 已经都统一成Unicode编码了,即写不写前缀u都是一样的,而以字节形式表示的字符串则必须加上b前缀:b xxx 。

由于Python源代码也是一个文本文件,所以,当你的源代码中包含中文的时候,在保存源代码时,就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时,为了让它按UTF-8编码读取,我们通常在文件开头写上这两行:

#!/usr/bin/env python

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

推荐阅读