如果说在python2中处理字符编码很蛋疼的话,如果幻想着python3不那么蛋疼,那么我只想说,你想多了,好不容易在python2中把字符编码的问题捣腾清楚了,但是换成python3,它会将之前的体系重新构建,使得之前的知识体系不能很好的运用,只能重新来构建。感觉是从一个坑跳到了另外一个坑,下面来看看这个令人头疼的python编码问题。

python2中的编码处理

python2中将ASCII 码作为默认编码方式,对中文处理很不友好。

1
2
3
>>> import sys
>>> sys.getdefaultencoding()
'ascii'

关于 GBK 和 UTF-8,概念性的东西就不解释了,网上一搜便知,这里主要是来说明一下,将一个 GBK 编码的字符串转换成 UTF-8 编码,只需要通过 Unicode 来转换

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
>>> s = '杨'
>>> s
'\xd1\xee'
>>> type(s)
<class 'str'>
>>> print s

>>> su = s.decode('gbk')
>>> su
u'\u6768'
>>> sutf8 = su.encode('utf-8')
>>> sutf8
'\xe6\x9d\xa8'
>>> print sutf8
鏉?

其实就是将 unicode 作为一个中转站,将各种编码转换(decode)成unicode 使用 s.decode(chaset) ,然后再将unicode编码的字符串转换(encode)成想要的编码 s.encode(chaset)

其实这么看在python2中的字符编码问题也不是很复杂,主要是要弄清楚字符串本身是什么编码即可。有一个库可以检测字符编码,chardet ,使用chardet.detect(str) 来检查字符串编码,注意,它这里给出的只能做为参考,并不能很准确的给出编码,所以他的返回值中会有一个 confidence 的值,如果值是1.0,说明它100%的肯定是这个编码。

python3中的编码处理

再来看看python3的编码处理,python3中将unicode合并成了str,已经没有unicode这种类型了。

1
2
3
4
5
6
7
8
9
10
>>> s = '杨'
>>> type(s)
<class 'str'>
>>> su = u'杨'
>>> type(su)
<class 'str'>
>>> s
'杨'
>>> su
'杨'

可以看出它们都是 str 类型。
那么如何在python3中将一个GBK编码的字符串转成utf-8呢?
python3中有一种全新的数据类型 bytes ,它表示二进制字节数据,初始化是在字符前加 b ,bytes 类型可以是 ASCII范围内的字符和其它十六进制形式的字符数据,但不能用中文等非ASCII字符表示。

1
2
3
4
5
6
7
8
9
10
11
>>> b = b'a'
>>> b
b'a'
>>> type(b)
<class 'bytes'>
>>> a = 'a'
>>> type(a)
<class 'str'>
>>> b = b'杨彦星'
File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.

虽然在python3中不能直接的以 b = b'杨彦星' 来初始化bytes,但是却可以用在python2中得到的十六进制码表示来初始化

在python2中

1
2
3
>>> '杨彦星'
'\xd1\xee\xd1\xe5\xd0\xc7'
>>>

在python3中

1
2
3
4
5
6
7
8
9
10
11
>>> s = b'\xd1\xee\xd1\xe5\xd0\xc7'
>>> print(s)
b'\xd1\xee\xd1\xe5\xd0\xc7'
>>> type(s)
<class 'bytes'>
>>> ss = s.decode('gbk')
>>> ss
'杨彦星'
>>> type(ss)
<class 'str'>
>>>

熟悉的中文又出现了,有了str 那么就可以将其转换成对应的编码了

1
2
>>> ss.encode('utf-8')
b'\xe6\x9d\xa8\xe5\xbd\xa6\xe6\x98\x9f'

依然不知道它显示的是个啥,但是你可以明确的知道,它在python3里就是杨彦星这个字符串的utf-8编码

1
2
3
>>> s8 = b'\xe6\x9d\xa8\xe5\xbd\xa6\xe6\x98\x9f'
>>> s8.decode('utf-8')
'杨彦星'

十六进制中文码转bytes

还有一种需求,给你一个十六进制中文码字符串,有时候会从一些不是很规范的接口中获得的数据 ,比如 ‘\xbd\xf1\xcc\xec\xcc\xec\xc6\xf8\xb2\xbb\xb4\xed’,这时候该怎么把它转成str呢?

在这种情况下,可以使用’iso-8859-1’来初始化bytes

1
2
3
4
5
>>> s = '\xbd\xf1\xcc\xec\xcc\xec\xc6\xf8\xb2\xbb\xb4\xed'
>>> bytes(s,'iso-8859-1')
b'\xbd\xf1\xcc\xec\xcc\xec\xc6\xf8\xb2\xbb\xb4\xed'
>>> bytes(s,'iso-8859-1').decode('gbk')
'今天天气不错'

如果明确知道十六进制字符码是UTF-8的,则在decode时可以不加参数

1
2
3
>>> s = '\xe4\xbb\x8a\xe5\xa4\xa9\xe5\xa4\xa9\xe6\xb0\x94\xe4\xb8\x8d\xe9\x94\x99'
>>> bytes(s,'iso-8859-1').decode()
'今天天气不错'

最后使用代码做个总结

1
2
3
4
5
6
7
8
9
10
11
12
13
14
str = '杨彦星'
str_utf8 = str.encode('UTF-8')
str_gbk = str.encode('GBK')
print(str)
print('str 对象类型:', type(str))
print('\r')
print('UTF-8 编码:', str_utf8)
print('str_utf-8 对象类型:', type(str_utf8))
print('\r')
print('GBK 编码: ', str_gbk)
print('str_gbk 对象类型:', type(str_gbk))
print('\r')
print('UTF-8 解码:', str_utf8.decode('UTF-8', 'strict'))
print('GBK 解码: ', str_gbk.decode('GBK', 'strict'))

结果如下

1
2
3
4
5
6
7
8
9
10
11
杨彦星
str 对象类型: <class 'str'>

UTF-8 编码: b'\xe6\x9d\xa8\xe5\xbd\xa6\xe6\x98\x9f'
str_utf-8 对象类型: <class 'bytes'>

GBK 编码: b'\xd1\xee\xd1\xe5\xd0\xc7'
str_gbk 对象类型: <class 'bytes'>

UTF-8 解码: 杨彦星
GBK 解码: 杨彦星

参考文章

python3 字符集编码以及python3 乱码问题

Python3 是如何解决棘手的字符编码问题的?