python中encode和decode函式說明

 

1.   簡介

字串編碼常用型別：utf-8,gb2312,cp936,gbk等。

python中，我們使用decode()和encode()來進行解碼和編碼，使用unicode型別作為編碼的基礎型別。即

     decode              encode

str ---------> unicode --------->str

編碼示例：

u = u'中文' #顯示指定unicode型別物件u

str = u.encode('gb2312') #以gb2312編碼對unicode對像進行編碼

str1 = u.encode('gbk') #以gbk編碼對unicode對像進行編碼

str2 = u.encode('utf-8') #以utf-8編碼對unicode對像進行編碼

u1 = str.decode('gb2312')#以gb2312編碼對字串str進行解碼，以獲取unicode

u2 = str.decode('utf-8')#如果以utf-8的編碼對str進行解碼得到的結果，將無法還原原來的unicode型別

如上面程式碼，str\str1\str2均為字串型別（str）,給字串操作帶來較大的複雜性。

 

2.   python3使用unicode字元的字串型別

在新版本的python3中，取消了unicode型別，代替它的是使用unicode字元的字串型別(str),字串型別（str）成為基礎型別如下所示，而編碼後的變為了位元組型別(bytes)，但是兩個函式的使用方法不變：

     decode              encode

bytes ------> str(unicode)------>bytes

編碼示例：

u = '中文' #指定字串型別物件u

str = u.encode('gb2312') #以gb2312編碼對u進行編碼，獲得bytes型別物件str

u1 = str.decode('gb2312')#以gb2312編碼對字串str進行解碼，獲得字串型別物件u1

u2 = str.decode('utf-8')#如果以utf-8的編碼對str進行解碼得到的結果，將無法還原原來的字串內容

 

3.   檔案讀取問題

假如我們讀取一個檔案，檔案儲存時，使用的編碼格式，決定了我們從檔案讀取的內容的編碼格式，例如，我們從記事本新建一個文字檔案test.txt, 編輯內容，儲存的時候注意，編碼格式是可以選擇的，例如我們可以選擇gb2312,那麼使用python讀取檔案內容，方式如下：

 

f = open('test.txt','r')

s = f.read() #讀取檔案內容,如果是不識別的encoding格式（識別的encoding型別跟使用的系統有關），這裡將讀取失敗

 

'''假設檔案儲存時以gb2312編碼儲存'''

u = s.decode('gb2312') #以檔案儲存格式對內容進行解碼，獲得unicode字串

 

'''下面對內容進行各種編碼的轉換了'''

str = u.encode('utf-8')#轉換為utf-8編碼的字串str

str1 = u.encode('gbk')#轉換為gbk編碼的字串str1

str1 = u.encode('utf-16')#轉換為utf-16編碼的字串str1

 

python給我們提供了一個包codecs進行檔案的讀取，這個包中的open()函式可以指定編碼的型別：

import codecs

f = codecs.open('text.text','r+',encoding='utf-8')#必須事先知道檔案的編碼格式，這裡檔案編碼是使用的utf-8

content = f.read()#如果open時使用的encoding和檔案本身的encoding不一致的話，那麼這裡將將會產生錯誤

f.write('你想要寫入的資訊')

f.close()

 

 

知識點：編碼格式

4.   知識點： 檔案編碼格式

從檔案編碼的方式來看，檔案可分為ASCII碼檔案和二進位制碼檔案兩種。

ASCII檔案也稱為文字檔案，這種檔案在磁碟中存放時每個字元對應一個位元組，用於存放對應的ASCII碼。例如，數5678的儲存形式為：
ASCII碼： 　00110101 00110110 00110111 00111000
　　　　　↓ 　　　　↓　　　　↓ 　　　↓
十進位制碼： 5　　　　　6　　　　7　　　　8

共佔用4個位元組。ASCII碼檔案可在螢幕上按字元顯示， 例如源程式檔案就是ASCII檔案，用DOS命令TYPE可顯示檔案的內容。 由於是按字元顯示，因此能讀懂檔案內容。

二進位制檔案是按二進位制的編碼方式來存放檔案的。 例如， 數5678的儲存形式為： 00010110 00101110只佔二個位元組。二進位制檔案雖然也可在螢幕上顯示，但其內容無法讀懂。C系統在處理這些檔案時，並不區分型別，都看成是字元流，按位元組進行 處理。輸入輸出字元流的開始和結束只由程式控制而不受物理符號(如回車符)的控制。 因此也把這種檔案稱作“流式檔案”。

UCS-2編碼(16進位制)	UTF-8 位元組流(二進位制)
0000 - 007F	0xxxxxxx
0080 - 07FF	110xxxxx   10xxxxxx
0800 - FFFF	1110xxxx   10xxxxxx 10xxxxxx

 

問題一：

使用Windows記事本的“另存為”，可以在GBK、Unicode、Unicode big endian和UTF-8這幾種編碼方式間相互轉換。同樣是txt檔案，Windows是怎樣識別編碼方式的呢？

我很早前就發現Unicode、Unicode big endian和UTF-8編碼的txt檔案的開頭會多出幾個位元組，分別是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但這些標記是基於什麼標準呢？

問題二：

最近在網上看到一個ConvertUTF.c，實現了UTF- 32、UTF-16和UTF-8這三種編碼方式的相互轉換。對於Unicode(UCS2)、 GBK、UTF-8這些編碼方式，我原來就瞭解。但這個程式讓我有些糊塗，想不起來UTF-16和UCS2有什麼關係。

查了查相關資料，總算將這些問題弄清楚了，順帶也瞭解了一些Unicode的細節。寫成一篇文章，送給有過類似疑問的朋友。本文在寫作時儘量做到通俗易懂，但要求讀者知道什麼是位元組，什麼是十六進位制。

4.1.   big endian和little endian

big endian和little endian是CPU處理多位元組數的不同方式。例如“漢”字的Unicode編碼是6C49。那麼寫到檔案裡時，究竟是將6C寫在前面，還是將49寫在前 面？如果將6C寫在前面，就是big endian。還是將49寫在前面，就是little endian。

“endian”這個詞出自《格列佛遊記》。小人國的內戰就源於吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開，由此曾發生過六次叛亂，其中一個皇帝送了命，另一個丟了王位。

我們一般將endian翻譯成“位元組序”，將big endian和little endian稱作“大尾”和“小尾”。

4.2.   字元編碼、內碼，順帶介紹漢字編碼

字元必須編碼後才能被計算機處理。計算機使用的預設編碼方式就是計算機的內碼。早期的計算機使用7位的ASCII編碼，為了處理漢字，程式設計師設計了用於簡體中文的GB2312和用於繁體中文的big5。

GB2312(1980年)一共收錄了7445個字元，包括6763個漢字和682個其它符號。漢字區的內碼範圍高位元組從B0-F7，低位元組從A1-FE，佔用的碼位是72*94=6768。其中有5個空位是D7FA-D7FE。

GB2312 支援的漢字太少。1995年的漢字擴充套件規範GBK1.0收錄了21886個符號，它分為漢字區和圖形符號區。漢字區包括21003個字元。2000年的 GB18030是取代GBK1.0的正式國家標準。該標準收錄了27484個漢字，同時還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字。現在的PC平臺必須支援GB18030，對嵌入式產品暫不作要求。所以手機、MP3一般只支援GB2312。

從ASCII、 GB2312、GBK到GB18030，這些編碼方法是向下相容的，即同一個字元在這些方案中總是有相同的編碼，後面的標準支援更多的字元。在這些編碼中，英文和中文可以統一地處理。區分中文編碼的方法是高位元組的最高位不為0。按照程式設計師的稱呼，GB2312、GBK到GB18030都屬於雙位元組字符集 (DBCS)。

有的中文Windows的預設內碼還是GBK，可以透過GB18030升級包升級到GB18030。不過GB18030相對GBK增加的字元，普通人是很難用到的，通常我們還是用GBK指代中文Windows內碼。

這裡還有一些細節：

GB2312的原文還是區位碼，從區位碼到內碼，需要在高位元組和低位元組上分別加上A0。

在DBCS中，GB內碼的儲存格式始終是big endian，即高位在前。

GB2312 的兩個位元組的最高位都是1。但符合這個條件的碼位只有128*128=16384個。所以GBK和GB18030的低位元組最高位都可能不是1。不過這不影 響DBCS字元流的解析：在讀取DBCS字元流時，只要遇到高位為1的位元組，就可以將下兩個位元組作為一個雙位元組編碼，而不用管低位元組的高位是什麼。

4.3.   Unicode、UCS和UTF

前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下相容的。而Unicode只與ASCII相容（更準確地說，是與ISO-8859-1相容），與GB碼不相容。例如“漢”字的Unicode編碼是6C49，而GB碼是BABA。

Unicode 也是一種字元編碼方法，不過它是由國際組織設計，可以容納全世界所有語言文字的編碼方案。Unicode的學名是"Universal Multiple-Octet Coded Character Set"，簡稱為UCS。UCS可以看作是"Unicode Character Set"的縮寫。

根據維基百科全書(http: //zh.wikipedia.org/wiki/)的記載：歷史上存在兩個試圖獨立設計Unicode的組織，即國際標準化組織（ISO）和一個軟體製造商的協會（unicode.org）。ISO開發了ISO 10646專案，Unicode協會開發了Unicode專案。

在1991年前後，雙方都認識到世界不需要兩個不相容的字符集。於是它們開始合併雙方的工作成果，併為創立一個單一編碼表而協同工作。從Unicode2.0開始，Unicode專案採用了與ISO 10646-1相同的字型檔和字碼。

目前兩個專案仍都存在，並獨立地公佈各自的標準。Unicode協會現在的最新版本是2005年的Unicode 4.1.0。ISO的最新標準是10646-3:2003。

UCS規定了怎麼用多個位元組表示各種文字。怎樣傳輸這些編碼，是由UTF(UCS Transformation Format)規範規定的，常見的UTF規範包括UTF-8、UTF-7、UTF-16。

IETF 的RFC2781和RFC3629以RFC的一貫風格，清晰、明快又不失嚴謹地描述了UTF-16和UTF-8的編碼方法。我總是記不得IETF是 Internet Engineering Task Force的縮寫。但IETF負責維護的RFC是Internet上一切規範的基礎。

4.4.   UCS-2、UCS-4、BMP

UCS有兩種格式：UCS-2和UCS-4。顧名思義，UCS-2就是用兩個位元組編碼，UCS-4就是用4個位元組（實際上只用了31位，最高位必須為0）編碼。下面讓我們做一些簡單的數學遊戲：

UCS-2有2^16=65536個碼位，UCS-4有2^31=2147483648個碼位。

UCS -4根據最高位為0的最高位元組分成2^7=128個group。每個group再根據次高位元組分為256個plane。每個plane根據第3個位元組分為 256行 (rows)，每行包含256個cells。當然同一行的cells只是最後一個位元組不同，其餘都相同。

group 0的plane 0被稱作Basic Multilingual Plane, 即BMP。或者說UCS-4中，高兩個位元組為0的碼位被稱作BMP。

將UCS-4的BMP去掉前面的兩個零位元組就得到了UCS-2。在UCS-2的兩個位元組前加上兩個零位元組，就得到了UCS-4的BMP。而目前的UCS-4規範中還沒有任何字元被分配在BMP之外。

4.5.   UTF編碼

UTF-8就是以8位為單元對UCS進行編碼。從UCS-2到UTF-8的編碼方式如下：

例如“漢”字的Unicode編碼是6C49。6C49在0800-FFFF之間，所以肯定要用3位元組模板了：1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進位制是：0110 110001 001001， 用這個位元流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。

讀者可以用記事本測試一下我們的編碼是否正確。

UTF -16以16位為單元對UCS進行編碼。對於小於0x10000的UCS碼，UTF-16編碼就等於UCS碼對應的16位無符號整數。對於不小於 0x10000的UCS碼，定義了一個演算法。不過由於實際使用的UCS2，或者UCS4的BMP必然小於0x10000，所以就目前而言，可以認為UTF -16和UCS-2基本相同。但UCS-2只是一個編碼方案，UTF-16卻要用於實際的傳輸，所以就不得不考慮位元組序的問題。

4.6.   UTF的位元組序和BOM

UTF -8以位元組為編碼單元，沒有位元組序的問題。UTF-16以兩個位元組為編碼單元，在解釋一個UTF-16文字前，首先要弄清楚每個編碼單元的位元組序。例如收 到一個“奎”的Unicode編碼是594E，“乙”的Unicode編碼是4E59。如果我們收到UTF-16位元組流“594E”，那麼這是“奎”還是 “乙”？

Unicode規範中推薦的標記位元組順序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一個有點小聰明的想法：

在UCS 編碼中有一個叫做"ZERO WIDTH NO-BREAK SPACE"的字元，它的編碼是FEFF。而FFFE在UCS中是不存在的字元，所以不應該出現在實際傳輸中。UCS規範建議我們在傳輸位元組流前，先傳輸 字元"ZERO WIDTH NO-BREAK SPACE"。

這樣如果接收者收到FEFF，就表明這個位元組流是Big-Endian的；如果收到FFFE，就表明這個位元組流是Little-Endian的。因此字元"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。

UTF -8不需要BOM來表明位元組順序，但可以用BOM來表明編碼方式。字元"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF（讀者可以用我們前面介紹的編碼方法驗證一下）。所以如果接收者收到以EF BB BF開頭的位元組流，就知道這是UTF-8編碼了。

Windows就是使用BOM來標記文字檔案的編碼方式的。

4.7.   進一步的參考資料

本文主要參考的資料是 "Short overview of ISO-IEC 10646 and Unicode" ()。

我還找了兩篇看上去不錯的資料，不過因為我開始的疑問都找到了答案，所以就沒有看：

"Understanding Unicode A general introduction to the Unicode Standard" ()

"Character set encoding basics Understanding character set encodings and legacy encodings" ()

 

 

 

5.   參考資料：

python encode 和decode 函式說明

http://www.cnblogs.com/evening/archive/2012/04/19/2457440.html

 

 

https://blog.csdn.net/riyao/article/details/3629910

查詢了一下,是說3.0現在的引數更改了,現在讀取的是bytes-like的,但引數要求是chart-like的,找了一下,加了個編碼:

data = data.decode('GBK')     

意思是不是：從bytes到str:呼叫方法decode().

 

 

 

一勞永逸解決：TypeError: cannot use a string pattern on a bytes-like object

https://blog.csdn.net/jieli_/article/details/70166244

不太明白，再想想

最近寫程式碼，python2和python3之間切換，難免會碰到一些問題，有些方法比如re模組的findall要求傳入的是字串格式的引數，urllib.request.urlopen(url).read()返回的是bytes型別（這個是python3中才有的型別，所以很多python2中的方法都相應更改了）的，這樣傳參就會報以上錯誤。

python3中Unicode字串是預設格式（就是str型別），ASCII編碼的字串（就是bytes型別，bytes型別是包含位元組值，其實不算是字串，python3還有bytearray位元組陣列型別）要在前面加運算子b或B；python2中則是相反的，ASCII編碼字串是預設，Unicode字串要在前面加運算子u或U

 

一勞永逸的解決方法就是根據你傳進來的引數自動辨別編碼格式，然後進行相應的解碼，就搞定啦：

 

import chardet   #需要匯入這個模組，檢測編碼格式

encode_type = chardet.detect(html) 

html = html.decode(encode_type['encoding']) #進行相應解碼，賦給原識別符號（變數）

 

從str到bytes:呼叫方法encode().

編碼是把Unicode字串以各種方式編碼成為機器能讀懂的ASCII字串

從bytes到str:呼叫方法decode().