python中文亂碼問題深入分析

在本文中，以'哈'來解釋作示例解釋所有的問題，“哈”的各種編碼如下：
1. UNICODE (UTF8-16)，C854；
2． UTF-8，E59388；
3． GBK，B9FE。
一、Python中的str和unicode
一直以來，python中的中文編碼就是一個(gè)極為頭大的問題，經(jīng)常拋出編碼轉(zhuǎn)換的異常，python中的str和unicode到底是一個(gè)什么東西呢？
在python中提到unicode，一般指的是unicode對(duì)象，例如'哈哈'的unicode對(duì)象為
u'\u54c8\u54c8'
而str，是一個(gè)字節(jié)數(shù)組，這個(gè)字節(jié)數(shù)組表示的是對(duì)unicode對(duì)象編碼(可以是utf-8、gbk、cp936、GB2312)后的存儲(chǔ)的格式。這里它僅僅是一個(gè)字節(jié)流，沒有其它的含義，如果你想使這個(gè)字節(jié)流顯示的內(nèi)容有意義，就必須用正確的編碼格式，解碼顯示。
例如：

對(duì)于unicode對(duì)象哈哈進(jìn)行編碼，編碼成一個(gè)utf-8編碼的str－s_utf8,s_utf8就是是一個(gè)字節(jié)數(shù)組，存放的就是'\xe5\x93\x88\xe5\x93\x88'，但是這僅僅是一個(gè)字節(jié)數(shù)組，如果你想將它通過print語句輸出成哈哈，那你就失望了，為什么呢？

因?yàn)閜rint語句它的實(shí)現(xiàn)是將要輸出的內(nèi)容傳送了操作系統(tǒng)，操作系統(tǒng)會(huì)根據(jù)系統(tǒng)的編碼對(duì)輸入的字節(jié)流進(jìn)行編碼，這就解釋了為什么utf-8格式的字符串“哈哈”，輸出的是“鍝堝搱”，因?yàn)? '\xe5\x93\x88\xe5\x93\x88'用GB2312去解釋，其顯示的出來就是“鍝堝搱”。這里再強(qiáng)調(diào)一下，str記錄的是字節(jié)數(shù)組，只是某種編碼的存儲(chǔ)格式，至于輸出到文件或是打印出來是什么格式，完全取決于其解碼的編碼將它解碼成什么樣子。

這里再對(duì)print進(jìn)行一點(diǎn)補(bǔ)充說明：當(dāng)將一個(gè)unicode對(duì)象傳給print時(shí)，在內(nèi)部會(huì)將該unicode對(duì)象進(jìn)行一次轉(zhuǎn)換，轉(zhuǎn)換成本地的默認(rèn)編碼（這僅是個(gè)人猜測）

二、str和unicode對(duì)象的轉(zhuǎn)換

str和unicode對(duì)象的轉(zhuǎn)換，通過encode和decode實(shí)現(xiàn)，具體使用如下：

將GBK'哈哈'轉(zhuǎn)換成unicode，然后再轉(zhuǎn)換成UTF8

三、Setdefaultencoding

如上圖的演示代碼所示：

當(dāng)把s(gbk字符串)直接編碼成utf-8的時(shí)候，將拋出異常，但是通過調(diào)用如下代碼：

import sys

reload(sys)

sys.setdefaultencoding('gbk')

后就可以轉(zhuǎn)換成功，為什么呢？在python中str和unicode在編碼和解碼過程中，如果將一個(gè)str直接編碼成另一種編碼，會(huì)先把str解碼成unicode，采用的編碼為默認(rèn)編碼，一般默認(rèn)編碼是anscii，所以在上面示例代碼中第一次轉(zhuǎn)換的時(shí)候會(huì)出錯(cuò)，當(dāng)設(shè)定當(dāng)前默認(rèn)編碼為'gbk'后，就不會(huì)出錯(cuò)了。

至于reload(sys)是因?yàn)镻ython2.5 初始化后會(huì)刪除 sys.setdefaultencoding 這個(gè)方法，我們需要重新載入。

四、操作不同文件的編碼格式的文件

建立一個(gè)文件test.txt，文件格式用ANSI，內(nèi)容為:

abc中文

用python來讀取

# coding=gbk

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

結(jié)果：abc中文

把文件格式改成UTF-8：

結(jié)果：abc涓枃

顯然，這里需要解碼：

# coding=gbk

import codecs

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

結(jié)果：abc中文

上面的test.txt我是用Editplus來編輯的，但當(dāng)我用Windows自帶的記事本編輯并存成UTF-8格式時(shí)，

運(yùn)行時(shí)報(bào)錯(cuò)：

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(gè)以UTF-8編碼的文件時(shí)，會(huì)在文件開始的地方插入三個(gè)不可見的字符（0xEF 0xBB 0xBF，即BOM）。

因此我們在讀取時(shí)需要自己去掉這些字符，python中的codecs module定義了這個(gè)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(jié)果：abc中文

五、文件的編碼格式和編碼聲明的作用

源文件的編碼格式對(duì)字符串的聲明有什么作用呢？這個(gè)問題困擾一直困擾了我好久，現(xiàn)在終于有點(diǎn)眉目了，文件的編碼格式?jīng)Q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.如果文件格式為utf-8，則str的值為：'\xe5\x93\x88\xe5\x93\x88'（哈哈的utf-8編碼）

b.如果文件格式為gbk，則str的值為：'\xb9\xfe\xb9\xfe'（哈哈的gbk編碼）

在第一節(jié)已經(jīng)說過，python中的字符串，只是一個(gè)字節(jié)數(shù)組，所以當(dāng)把a(bǔ)情況的str輸出到gbk編碼的控制臺(tái)時(shí)，就將顯示為亂碼：鍝堝搱；而當(dāng)把b情況下的str輸出utf-8編碼的控制臺(tái)時(shí)，也將顯示亂碼的問題，是什么也沒有，也許'\xb9\xfe\xb9\xfe'用utf-8解碼顯示，就是空白吧。>_<

說完文件格式，現(xiàn)在來談?wù)劸幋a聲明的作用吧，每個(gè)文件在最上面的地方，都會(huì)用# coding=gbk 類似的語句聲明一下編碼，但是這個(gè)聲明到底有什么用呢？到止前為止，我覺得它的作用也就是三個(gè)：

聲明源文件中將出現(xiàn)非ascii編碼，通常也就是中文；

在高級(jí)的IDE中，IDE會(huì)將你的文件格式保存成你指定編碼格式。

決定源碼中類似于u'哈'這類聲明的將‘哈'解碼成unicode所用的編碼格式，也是一個(gè)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(gè)些代碼保存成一個(gè)utf-8文本，運(yùn)行，你認(rèn)為會(huì)輸出什么呢？大家第一感覺肯定輸出的肯定是：

u'\u54c8\u54c8'

ss:哈哈

但是實(shí)際上輸出是：

u'\u935d\u581d\u6431'

ss:鍝堝搱

為什么會(huì)這樣，這時(shí)候，就是編碼聲明在作怪了，在運(yùn)行ss = u'哈哈'的時(shí)候，整個(gè)過程可以分為以下幾步：

1) 獲取'哈哈'的編碼：由文件編碼格式確定，為'\xe5\x93\x88\xe5\x93\x88'（哈哈的utf-8編碼形式）

2) 轉(zhuǎn)成 unicode編碼的時(shí)候，在這個(gè)轉(zhuǎn)換的過程中，對(duì)于'\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，得到就是''鍝堝搱''，這三個(gè)字的unicode編碼就是u'\u935d\u581d\u6431'，至止可以解釋為什么print repr(ss)輸出的是u'\u935d\u581d\u6431' 了。

好了，這里有點(diǎn)繞，我們來分析下一個(gè)示例：

#-*- coding:utf-8 -*-

ss = u'哈哈'

print repr(ss)

print 'ss:%s' % ss

將這個(gè)示例這次保存成GBK編碼形式，運(yùn)行結(jié)果，竟然是：

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

這里為什么會(huì)有utf8解碼錯(cuò)誤呢？想想上個(gè)示例也明白了，轉(zhuǎn)換第一步，因?yàn)槲募幋a是GBK，得到的是'哈哈'編碼是GBK的編碼'\xb9\xfe\xb9\xfe'，當(dāng)進(jìn)行第二步，轉(zhuǎn)換成 unicode的時(shí)候，會(huì)用UTF8對(duì)'\xb9\xfe\xb9\xfe'進(jìn)行解碼，而大家查utf-8的編碼表會(huì)發(fā)現(xiàn)，utf8編碼表（關(guān)于UTF- 8解釋可參見字符編碼筆記：ASCII、UTF-8、UNICODE）中根本不存在，所以會(huì)報(bào)上述錯(cuò)誤。