用python處理中文，讀取檔案或訊息時，如果發現亂碼(字串處理，讀寫檔案，print)，大多數人的做法是，呼叫encode/decode進行除錯，並沒有明確思考為何出現亂碼， 今天我們來討論一下如何處理編碼問題。
注意: 以下討論為Python2.x版本, Py3k下未測試
除錯時最常出現的錯誤
錯誤1
Traceback (most recent call last): File "<stdin>", line 1, in <module> UnicodeDecodeError: ‘ascii‘ codec can‘t decode byte 0xe6 in position 0: ordinal not in range(128)
錯誤2
Traceback (most recent call last): File "<stdin>", line 1, in <module> File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/encodings/utf_8.py", line 16, in decode return codecs.utf_8_decode(input, errors, True) UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 0-1: ordinal not in range(128)
首先
必須有大體概念，瞭解下字符集，字元編碼
ASCII | Unicode | UTF-8 | 等等
字元編碼筆記：ASCII，Unicode和UTF-8
str 和 unicode
str和unicode都是basestring的子類
所以有判斷是否是字串的方法
def is_str(s): return isinstance(s, basestring)
str和unicode 轉換
str -> decode(‘the_coding_of_str‘) -> unicode unicode -> encode(‘the_coding_you_want‘) -> str
區別
str是位元組串，由unicode經過編碼(encode)後的位元組組成的
宣告方式
>>> s = ‘中文‘ s = u‘中文‘.encode(‘utf-8‘) >>> type(‘中文‘) <type ‘str‘>
求長度(返回位元組數)
>>> u‘中文‘.encode(‘utf-8‘) ‘\xe4\xb8\xad\xe6\x96\x87‘ >>> len(u‘中文‘.encode(‘utf-8‘)) 6
unicode才是真正意義上的字串，由字元組成
宣告方式
>>> s = u‘中文‘ >>> s = ‘中文‘.decode(‘utf-8‘) >>> s = unicode(‘中文‘, ‘utf-8‘) >>> type(u‘中文‘) <type ‘unicode‘>
求長度(返回字元數),在邏輯中真正想要用的
>>> u‘中文‘ u‘\u4e2d\u6587‘ >>> len(u‘中文‘) 2
結論
搞明白要處理的是str還是unicode, 使用對的處理方法(str.decode/unicode.encode)
下面是判斷是否為unicode/str的方法
>>> isinstance(u‘中文‘, unicode) True >>> isinstance(‘中文‘, unicode) False >>> isinstance(‘中文‘, str) True >>> isinstance(u‘中文‘, str) False
簡單原則：不要對str使用encode，不要對unicode使用decode (事實上可以對str進行encode的，具體見最後，為了保證簡單，不建議)
>>> ‘中文‘.encode(‘utf-8‘) Traceback (most recent call last): File "<stdin>", line 1, in <module> UnicodeDecodeError: ‘ascii‘ codec can‘t decode byte 0xe4 in position 0: ordinal not in range(128) >>> u‘中文‘.decode(‘utf-8‘) Traceback (most recent call last): File "<stdin>", line 1, in <module> File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/encodings/utf_8.py", line 16, in decode return codecs.utf_8_decode(input, errors, True) UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 0-1: ordinal not in range(128)
不同編碼轉換,使用unicode作為中間編碼
#s是code_A的str s.decode(‘code_A‘).encode(‘code_B‘)
檔案處理,IDE和控制檯
處理流程，可以這麼使用，把python看做一個水池，一個入口，一個出口
入口處，全部轉成unicode, 池裡全部使用unicode處理，出口處，再轉成目標編碼(當然，有例外，處理邏輯中要用到具體編碼的情況)
讀檔案 外部輸入編碼，decode轉成unicode 處理(內部編碼，統一unicode) encode轉成需要的目標編碼 寫到目標輸出(檔案或控制檯)
IDE和控制檯報錯，原因是print時，編碼和IDE自身編碼不一致導致
輸出時將編碼轉換成一致的就可以正常輸出
>>> print u‘中文‘.encode(‘gbk‘) ???? >>> print u‘中文‘.encode(‘utf-8‘) 中文
建議
規範編碼
統一編碼，防止由於某個環節產生的亂碼
環境編碼，IDE/文字編輯器, 檔案編碼，資料庫資料表編碼
保證程式碼原始檔編碼
這個很重要
py檔案預設編碼是ASCII, 在原始碼檔案中，如果用到非ASCII字元，需要在檔案頭部進行編碼宣告 文件
不宣告的話，輸入非ASCII會遇到的錯誤,必須放在檔案第一行或第二行
File "XXX.py", line 3 SyntaxError: Non-ASCII character ‘\xd6‘ in file c.py on line 3, but no encoding declared; see http://www.python.org/peps/pep-0263.html for details
宣告方法
# -*- coding: utf-8 -*- 或者 #coding=utf-8
若頭部宣告coding=utf-8, a = ‘中文‘ 其編碼為utf-8
若頭部宣告coding=gb2312, a = ‘中文‘ 其編碼為gbk
so, 同一專案中所有原始檔頭部統一一個編碼,並且宣告的編碼要和原始檔儲存的編碼一致(編輯器相關)
在原始碼用作處理的硬編碼字串，統一用unicode
將其型別和原始檔本身的編碼隔離開, 獨立無依賴方便流程中各個位置處理
if s == u‘中文‘: #而不是 s == ‘中文‘ pass #注意這裡 s到這裡時，確保轉為unicode
以上幾步搞定後，你只需要關注兩個 unicode和 你設定的編碼(一般使用utf-8)
處理順序
1. Decode early 2. Unicode everywhere 3. Encode later
相關模組及一些方法
獲得和設定系統預設編碼
>>> import sys >>> sys.getdefaultencoding() ‘ascii‘ >>> reload(sys) <module ‘sys‘ (built-in)> >>> sys.setdefaultencoding(‘utf-8‘) >>> sys.getdefaultencoding() ‘utf-8‘ >>> str.encode(‘other_coding‘)
在python中，直接將某種編碼的str進行encode成另一種編碼str
#str_A為utf-8 str_A.encode(‘gbk‘) 執行的操作是 str_A.decode(‘sys_codec‘).encode(‘gbk‘) 這裡sys_codec即為上一步 sys.getdefaultencoding() 的編碼
‘獲得和設定系統預設編碼‘和這裡的str.encode是相關的，但我一般很少這麼用，主要是覺得複雜不可控,還是輸入明確decode，輸出明確encode來得簡單些
chardet
檔案編碼檢測，下載
>>> import chardet
>>> f = open(‘test.txt‘,‘r‘)
>>> result = chardet.detect(f.read())
>>> result {‘confidence‘: 0.99, ‘encoding‘: ‘utf-8‘}\u字串轉對應unicode字串
>>> u‘中‘ u‘\u4e2d‘ >>> s = ‘\u4e2d‘ >>> print s.decode(‘unicode_escape‘) 中 >>> a = ‘\\u4fee\\u6539\\u8282\\u70b9\\u72b6\\u6001\\u6210\\u529f‘ >>> a.decode(‘unicode_escape‘) u‘\u4fee\u6539\u8282\u70b9\u72b6\u6001\u6210\u529f‘