1.基本概念

字符集(Characterset)

解釋?zhuān)何淖趾头系目偡Q(chēng)

常見(jiàn)字符集：

Unicode字符集

ASCII字符集(Unicode子集)

GB2312字符集

編碼方法(Encoding)

解釋?zhuān)簩⒆址麑?duì)應(yīng)到字節(jié)的方法，部分字符集和編碼方法名稱(chēng)一樣。

常見(jiàn)編碼方法:

UTF-8：可對(duì)Unicode字符進(jìn)行編碼

GB2312

ASCII

編碼(Encode)

解釋?zhuān)簩⒆址凶址凑找欢ㄒ?guī)則轉(zhuǎn)換成字節(jié)

解碼(Decode)

解釋?zhuān)号c編碼相反，將字節(jié)轉(zhuǎn)換為字符集中的字符

字符集與編碼方法的關(guān)系

每個(gè)字符集都有對(duì)應(yīng)的編碼方法

一種字符集可能有多種編碼方法

不同的編碼方法得到的字節(jié)不同，占用存儲(chǔ)空間也不一樣

例如Unicode字符可以使用UTF-8/ASCII/GBK等方法編碼

Unicode字符集包含世界上大部分字符，很多其他字符集有的字符它都有，是他們的超集

大部分字符集可以理解為Unicode的子集

實(shí)際上，除了Unicode之外所謂的字符集主要是對(duì)Unicode部分字符編碼而已(定義編碼方式)

一種編碼不必支持Unicode的所有字符(通常把它能支持的那部分稱(chēng)為它的字符集)

2.關(guān)于編碼的錯(cuò)誤和解決方法

在開(kāi)發(fā)過(guò)程中，我們所接觸的字符集大多都是Unicode，大部分報(bào)錯(cuò)都是關(guān)于編碼和解碼的。

2.1.編碼錯(cuò)誤UnicodeEncodeError

2.1.1.錯(cuò)誤分析

導(dǎo)致該錯(cuò)誤的原因通常是編碼方法支持的Unicode字符不全;在工作中，你寫(xiě)了一個(gè)txt中文文檔，想用ascii編碼去保存這個(gè)文件，就會(huì)報(bào)這種錯(cuò)誤。

錯(cuò)誤復(fù)現(xiàn)：

我們知道ascii不支持字符中，那我們用ascii編碼方法對(duì)Unicode碼中進(jìn)行編碼：

#-*-encoding:utf-8-*-

u"中".encode(encoding='ascii')

報(bào)錯(cuò)如下:

UnicodeEncodeError:'ascii'codeccan'tencodecharacter'\u4e2d'inposition0:ordinalnotinrange(128)

這是一個(gè)UnicodeEncodeError類(lèi)型的錯(cuò)誤，提示無(wú)法使用指定的編碼方法對(duì)字符進(jìn)行編碼，報(bào)錯(cuò)提示中可以得到3個(gè)信息:

當(dāng)前使用的是acsii編碼方法

被編碼的字符是'\u4e2d'

ascii編碼方法能支持的字符有128個(gè)

有時(shí)候我們還可以利用這個(gè)提示查看編碼方法支持的字符個(gè)數(shù)：

#-*-encoding:utf-8-*-

u"中".encode(encoding='iso-8859-1')

報(bào)錯(cuò)：

UnicodeEncodeError:'latin-1'codeccan'tencodecharacter'\u4e2d'inposition0:ordinalnotinrange(256)

通過(guò)報(bào)錯(cuò)提示可以看出iso-8859-1能編256個(gè)字符。

接著，我們來(lái)看下用支持中文的utf-8編碼方法進(jìn)行編碼能得到什么結(jié)果：

#-*-encoding:utf-8-*-

s=u"中".encode(encoding='utf-8')

print("s:",s)

print("s==中?",s=='中')

print("typeofs:",type(s))

print("str==bytes?",bytes==type(s))

輸出：

('s:','\xe4\xb8\xad')

('s==\xe4\xb8\xad?',True)

('typeofs:',)

('str==bytes?',True)

從輸出的結(jié)果可以得到:

-編碼得到的對(duì)象跟我們直接定義的字符串是一樣的，都是str

-str就是bytes(python中)

2.1.2.解決方法

UnicodeEncodeError是說(shuō)編碼方法支持的字符不全，而UTF-8編碼就能很好地對(duì)Unicode編碼，所以只要把編碼方法指定為utf-8就可以了。

在python2中：

如果你調(diào)用encode方法但沒(méi)有指定encoding參數(shù)，那很可能使用了系統(tǒng)默認(rèn)的參數(shù)，就像：

#-*-encoding:utf-8-*-

importsys

print"defaultencodingis%s."%sys.getdefaultencoding()

u'中'.encode()

輸出：

defaultencodingisascii.

UnicodeEncodeError:'ascii'codeccan'tencodecharacteru'\u4e2d'inposition0:ordinalnotinrange(128)

可以手動(dòng)指定encoding參數(shù)，也可以修改python默認(rèn)編碼方法：

#-*-encoding:utf-8-*-

importsys

reload(sys)

sys.setdefaultencoding('utf-8')#必須在reload之后調(diào)用

printu'中'.encode()

在python3中：

在python3中你很難看到UnicodeEncodeError了，因?yàn)閜ython3的默認(rèn)編碼就是utf-8,而Unicode字符都可以用utf-8編碼方法編碼。

2.2.編碼錯(cuò)誤UnicodeDecodeError

2.2.1.錯(cuò)誤分析

導(dǎo)致該錯(cuò)誤的原因是使用了錯(cuò)誤的解碼方式把字節(jié)數(shù)據(jù)還原成字符。例如在工作中，有一個(gè)utf-8生成中文文檔，我們選擇用ascii編碼解碼，就會(huì)報(bào)這個(gè)錯(cuò)。

錯(cuò)誤復(fù)現(xiàn)：

我們知道python中字符串和字節(jié)是一樣，我們可以定義一個(gè)中文字符串，通過(guò)ascii來(lái)解碼生成Unicode，復(fù)現(xiàn)這個(gè)錯(cuò)誤：

#-*-encoding:utf-8-*-

print'中'.decode(encoding='ascii')

輸出：

UnicodeDecodeError:'ascii'codeccan'tdecodebyte0xe4inposition0:ordinalnotinrange(128)

注意，這是一個(gè)UnicodeDecodeError錯(cuò)誤，區(qū)別于編碼錯(cuò)誤UnicodeEncodeError，它提示無(wú)法把字節(jié)0xe4(實(shí)際上中對(duì)應(yīng)三字節(jié)，0xe4是第一個(gè))解碼成Unicode。0xe4轉(zhuǎn)換為10進(jìn)制是228，已經(jīng)超過(guò)127了，所以ascii無(wú)能力了。

2.2.2.解決方法

我們需要知道生成字節(jié)的編碼方式才能進(jìn)行還原，就好像對(duì)一個(gè)文件進(jìn)行了加密，必須得知道加密的密碼才能把文件還原，而解碼方式(或者稱(chēng)為編碼)就是那個(gè)密碼。所以不管是python2還是python3直接去修改默認(rèn)編碼為UTF-8不一定能解決問(wèn)題，具體的方法有兩種：

通過(guò)源碼找到解碼失敗的字節(jié)是使用那種編碼生成的

對(duì)報(bào)錯(cuò)的字節(jié)數(shù)據(jù)使用各種常見(jiàn)的編碼進(jìn)行解碼，觀察哪一種是正確的

以一個(gè)例子來(lái)說(shuō)明為什么直接設(shè)置默認(rèn)編碼為UTF-8不能有效解決UnicodeDecodeError問(wèn)題

python文件頭指定了編碼為，在聲明字符串時(shí)候?qū)?huì)使用指定的編碼轉(zhuǎn)換為字節(jié)：

#-*-encoding:GBK-*-

s="張"

print("sis",s)

s_unicode=u'張'

print("encodingwithGBKis",s_unicode.encode("GBK"))

print("encodingwithUTF-8is",s_unicode.encode("UTF-8"))

輸出:

('sis','\xd5\xc5')

('encodingwithGBKis','\xd5\xc5')

('encodingwithUTF-8is','\xe5\xbc\xa0')

在文件頭中指定了GBK編碼后默認(rèn)情況下字符張就會(huì)被編碼為\xd5\xc5，這與我們手動(dòng)用GBK編碼得到結(jié)果一致，而使用utf-8編碼得到的是3個(gè)字節(jié)的數(shù)據(jù)\xe5\xbc\xa0(使用了更多的存儲(chǔ)空間)。

例子開(kāi)始了，在python2中將一個(gè)dict轉(zhuǎn)換成json：

#-*-encoding:GBK-*-

importjson

d={'name':"張",'sex':u'man'}

print(json.dumps(d))

輸出:

UnicodeDecodeError:'utf8'codeccan'tdecodebyte0xd5inposition0:invalidcontinuationbyte

錯(cuò)誤說(shuō)無(wú)法使用utf-8解碼0xd5，0xd5也就是GBK中的張，我們知道這個(gè)字節(jié)是用GBK生成的，這個(gè)時(shí)候可以設(shè)置json.dumps的encoding參數(shù)解決：

#-*-encoding:GBK-*-

importjson

d={'name':"張",'sex':u'man'}

print(json.dumps(d,encoding='gbk'))

修改一下代碼，繼續(xù)使用我們熟悉的utf-8編碼來(lái)執(zhí)行：

#-*-encoding:utf-8-*-

importjson

d={'name':"張",'sex':u'man'}

print(json.dumps(d,encoding='utf-8'))

輸出:

{"name":"\u5f20","sex":"man"}

發(fā)現(xiàn)name是unicode，使用ensure_ascii=False，不強(qiáng)制轉(zhuǎn)換成ascii：

#-*-encoding:utf-8-*-

importjson

d={'name':"張",'sex':u'man'}

print(json.dumps(d,encoding='utf-8',ensure_ascii=False))

輸出：

File"/usr/local/Cellar/python@2/2.7.15_1/Frameworks/Python.framework/Versions/2.7/lib/python2.7/json/__init__.py",line251,indumps

sort_keys=sort_keys,**kw).encode(obj)

File"/usr/local/Cellar/python@2/2.7.15_1/Frameworks/Python.framework/Versions/2.7/lib/python2.7/json/encoder.py",line210,inencode

return''.join(chunks)

UnicodeDecodeError:'ascii'codeccan'tdecodebyte0xe5inposition1:ordinalnotinrange(128)

納尼，文件頭也是utf-8，也指定了utf-8怎么還是報(bào)錯(cuò)?錯(cuò)誤提示用ascii去解碼0xe5字節(jié)，在上面的代碼輸出中可以知道0xe5是utf-8對(duì)字符張編碼的第一個(gè)字節(jié)，報(bào)錯(cuò)的原因是用ascii去解析utf-8生成的字節(jié)了。我們并沒(méi)有設(shè)置哪個(gè)地方使用ascii解碼，應(yīng)該是系統(tǒng)默認(rèn)的編碼，嘗試設(shè)置系統(tǒng)默認(rèn)編碼再執(zhí)行：

#-*-encoding:utf-8-*-

importsys

reload(sys)

sys.setdefaultencoding('utf-8')

importjson

d={'name':"張",'sex':u'man'}

print(json.dumps(d,encoding='utf-8',ensure_ascii=False))

輸出：

{"name":"張","sex":"man"}

3.總結(jié)

3.1.python2和python3對(duì)字符串的處理區(qū)別

Python2

默認(rèn)編碼是ascii

Python3

importsys;sys.setdefaultencoding('utf-8')

3.2.為什么不全用UTF-8編碼?

UTF-8包含的字符更多，占用的內(nèi)存和磁盤(pán)空間也更大，比如對(duì)漢字張，utf-8是3個(gè)字節(jié)，gbk是2個(gè)字節(jié)。

3.3.如何快速解決UnicodeEncodeError錯(cuò)誤?

python3中基本不會(huì)出現(xiàn)，python2中嘗試設(shè)置默認(rèn)編碼為utf-8。

3.4.快速解決UnicodeDecodeError?

需要知道出錯(cuò)的字節(jié)是使用哪種編碼方式生成的，然后嘗試把默認(rèn)編碼設(shè)置成這種。

以上內(nèi)容為大家介紹了解決Python編碼問(wèn)題，希望對(duì)大家有所幫助，如果想要了解更多Python相關(guān)知識(shí)，請(qǐng)關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。http://m.2667701.com/