Python 編碼為什麼那麼蛋疼？

據說，每個做 Python 開發的都被字元編碼的問題搞暈過，最常見的錯誤就是 UnicodeEncodeError、UnicodeDecodeError，你好像知道怎麼解決，遺憾的是，錯誤又出現在其它地方，問題總是重蹈覆轍，str 到 unicode 之間的轉換用 decode 還是 encode 方法還特不好記，老是混淆，問題究竟出在哪裡？

為了弄清楚這個問題，我決定從 python 字串的構成以及字元編碼的細節上進行深入淺出的分析

位元組與字元

計算機儲存的一切資料，文字字元、圖片、視訊、音訊、軟體都是由一串01的位元組序列構成的，一個位元組等於8個位元位。

而字元就是一個符號，比如一個漢字、一個英文字母、一個數字、一個標點都可以稱為一個字元。

位元組方便儲存和網路傳輸，而字元用於顯示，方便閱讀。例如字元 “p” 儲存到硬碟是一串二進位制資料 01110000，佔用一個位元組的長度

編碼與解碼

我們用編輯器開啟的文字，看到的一個個字元，最終儲存在磁碟的時候都是以二進位制位元組序列形式存起來的。那麼從字元到位元組的轉換過程就叫做編碼（encode），反過來叫做解碼（decode），兩者是一個可逆的過程。編碼是為了儲存傳輸，解碼是為了方便顯示閱讀。

例如字元 “p” 經過編碼處理儲存到硬碟是一串二進位制位元組序列 01110000 ，佔用一個位元組的長度。字元 “禪” 有可能是以 “11100111 10100110 10000101″ 佔用3個位元組的長度儲存，為什麼說是有可能呢？這個放到後面再說。

Python 的編碼為什麼那麼蛋疼？當然，這不能怪開發者。

這是因為 Python2 使用 ASCII 字元編碼作為預設編碼方式，而 ASCII 不能處理中文，那麼為什麼不用 UTf-8 呢？因為 Guido 老爹為 Python 編寫第一行程式碼是在1989年的冬天，1991年2月正式開源釋出了第一個版本，而 Unicode 是1991年10月釋出的，也就是說 Python 這門語言創立的時候 UTF-8 還沒誕生，這是其一。

Python 把字串的型別還搞成兩種，unicode 和 str ，以至於把開發者都弄糊塗了，這是其二。python3 徹底把 字串重新改造了，只保留一種型別，這是後話，以後再說。

str與unicode

Python2 把字串分為 unicode 和 str 兩種型別。本質上 str 是一串二進位制位元組序列，下面的示例程式碼可以看出 str 型別的 “禪” 列印出來是十六進位制的 \xec\xf8 ，對應的二進位制位元組序列就是 ’11101100 11111000′。

>>> s = '禪'
>>> s
'\xec\xf8'
>>> type(s)
<type 'str'>

而 unicode 型別的 u”禪” 對應的 unicode 符號是 u’\u7985′

>>> u = u"禪"
>>> u
u'\u7985'
>>> type(u)
<type 'unicode'>

我們要把 unicode 符號儲存到檔案或者傳輸到網路就需要經過編碼處理轉換成 str 型別，於是 python 提供了 encode 方法，從 unicode 轉換到 str，反之亦然。

encode

>>> u = u"禪"
>>> u
u'\u7985'
>>> u.encode("utf-8")
'\xe7\xa6\x85'

decode

>>> s = "禪"
>>> s.decode("utf-8")
u'\u7985'
>>>

不少初學者怎麼也記不住 str 與 unicode 之間的轉換用 encode 還是 decode，如果你記住了 str 本質上其實是一串二進位制資料，而 unicode 是字元（符號），編碼（encode）就是把字元（符號）轉換為 二進位制資料的過程，因此 unicode 到 str 的轉換要用 encode 方法，反過來就是用 decode 方法。

encoding always takes a Unicode string and returns a bytes sequence, and decoding always takes a bytes sequence and returns a Unicode string”.

清楚了 str 與 unicode 之間的轉換關係之後，我們來看看什麼時候會出現 UnicodeEncodeError、UnicodeDecodeError 錯誤。

UnicodeEncodeError

UnicodeEncodeError 發生在 unicode 字串轉換成 str 位元組序列的時候，來看一個例子，把一串 unicode 字串儲存到檔案

# -*- coding:utf-8 -*-
def main():
    name = u'Python之禪'
    f = open("output.txt", "w")
    f.write(name)

錯誤日誌

UnicodeEncodeError: ‘ascii’ codec can’t encode characters in position 6-7: ordinal not in range(128)

為什麼會出現 UnicodeEncodeError？

因為呼叫 write 方法時，Python 會先判斷字串是什麼型別，如果是 str，就直接寫入檔案，不需要編碼，因為 str 型別的字串本身就是一串二進位制的位元組序列了。

如果字串是 unicode 型別，那麼它會先呼叫 encode 方法把 unicode 字串轉換成二進位制形式的 str 型別，才儲存到檔案，而 encode 方法會使用 python 預設的 ascii 碼來編碼

相當於：

>>> u"Python之禪".encode("ascii")

但是，我們知道 ASCII 字符集中只包含了128個拉丁字母，不包括中文字元，因此 出現了 ‘ascii’ codec can’t encode characters 的錯誤。要正確地使用 encode ，就必須指定一個包含了中文字元的字符集，比如：UTF-8、GBK。

>>> u"Python之禪".encode("utf-8")
'Python\xe4\xb9\x8b\xe7\xa6\x85'

>>> u"Python之禪".encode("gbk")
'Python\xd6\xae\xec\xf8'

所以要把 unicode 字串正確地寫入檔案，就應該預先把字串進行 UTF-8 或 GBK 編碼轉換。

def main():
    name = u'Python之禪'
    name = name.encode('utf-8')
    with open("output.txt", "w") as f:
        f.write(name)

當然，把 unicode 字串正確地寫入檔案不止一種方式，但原理是一樣的，這裡不再介紹，把字串寫入資料庫，傳輸到網路都是同樣的原理

UnicodeDecodeError

UnicodeDecodeError 發生在 str 型別的位元組序列解碼成 unicode 型別的字串時

>>> a = u"禪"
>>> a
u'\u7985'
>>> b = a.encode("utf-8")
>>> b
'\xe7\xa6\x85'
>>> b.decode("gbk")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'gbk' codec can't decode byte 0x85 in position 2: incomplete multibyte sequence

把一個經過 UTF-8 編碼後生成的位元組序列 ‘\xe7\xa6\x85′ 再用 GBK 解碼轉換成 unicode 字串時，出現 UnicodeDecodeError，因為 （對於中文字元）GBK 編碼只佔用兩個位元組，而 UTF-8 佔用3個位元組，用 GBK 轉換時，還多出一個位元組，因此它沒法解析。避免 UnicodeDecodeError 的關鍵是保持 編碼和解碼時用的編碼型別一致。

這也回答了文章開頭說的字元 “禪”，儲存到檔案中有可能佔3個位元組，有可能佔2個位元組，具體處決於 encode 的時候指定的編碼格式是什麼。

再舉一個 UnicodeDecodeError 的例子

>>> x = u"Python"
>>> y = "之禪"
>>> x + y
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)
>>>

str 與 unicode 字串 執行 + 操作是，Python 會把 str 型別的位元組序列隱式地轉換成（解碼）成 和 x 一樣的 unicode 型別，但Python是使用預設的 ascii 編碼來轉換的，而 ASCII 中不包含中文，所以報錯了。

>>> y.decode('ascii')
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)

正確地方式應該是顯示地把 y 用 UTF-8 或者 GBK 進行解碼。

>>> x = u"Python"
>>> y = "之禪"
>>> y = y.decode("utf-8")
>>> x + y
u'Python\u4e4b\u7985'

以上內容都是基於 Python2 來講的，關於 Python3 的字元和編碼將會另開一篇文章來寫，保持關注。