四步学懂python中的编解码

　　1. 字符与字节

　　一个字符不等价于一个字节，字符是人类能够识别的符号，而这些符号要保存到计算的存储中就需要用计算机能够识别的字节来表示。一个字符往往有多种表示方法，不同的表示方法会使用不同的字节数。比如字母A-Z都可以用ASCII码表示(占用一个字节)，也可以用UNICODE表示(占两个字节)，还可以用UTF-8表示(占用一个字节)。字符编码的作用就是将人类可识别的字符转换为机器可识别的字节码，以及反向过程。

　　UNICDOE才是真正的字符串，而用ASCII、UTF-8、GBK等字符编码表示的是字节串。

　　我们写代码是写在文件中的，而字符是以字节形式保存在文件中的，因此当我们在文件中定义个字符串时被当做字节串也是可以理解的。但是，我们需要的是字符串，而不是字节串。Python2把字节串当做字符串来使用。最能说明这个问题的操作就是取一个包含中文字符的字符串的长度：

　　对字符串取长度，结果应该是所有字符串的个数，无论中文还是英文

　　对字符串对应的字节串取长度，就跟编码(encode)过程使用的字符编码有关了(比如：UTF-8编码，一个中文字符需要用3个字节来表示;GBK编码，一个中文字符需要2个字节来表示)

　　注意：Windows的cmd终端字符编码默认为GBK，因此在cmd输入的中文字符需要用两个字节表示

　　>>> # Python2

　　>>> a = 'Hello,中国' # 字节串，长度为字节个数 = len('Hello,')+len('中国') = 6+2*2 = 10

　　>>> b = u'Hello,中国' # 字符串，长度为字符个数 = len('Hello,')+len('中国') = 6+2 = 8

　　>>> c = unicode(a, 'gbk') # 其实b的定义方式是c定义方式的简写，都是将一个GBK编码的字节串解码(decode)为一个Uniocde字符串

　　>>>

　　>>> print(type(a), len(a))

　　(, 10)

　　>>> print(type(b), len(b))

　　(, 8)

　　>>> print(type(c), len(c))

　　(, 8)

　　2. 编码与解码

　　编码(encode)：将Unicode字符串(中的代码点)转换特定字符编码对应的字节串的过程和规则

　　解码(decode)：将特定字符编码的字节串转换为对应的Unicode字符串(中的代码点)的过程和规则

　　可见，无论是编码还是解码，都需要一个重要因素，就是特定的字符编码。因为一个字符用不同的字符编码进行编码后的字节值以及字节个数大部分情况下是不同的，反之亦然。

　　3、Python中的默认编码

　　Python2和Python3的解释器使用的默认编码是不一样的，我们可以通过sys.getdefaultencoding()来获取默认编码：

　　>>> # Python2

　　>>> import sys

　　>>> sys.getdefaultencoding()

　　'ascii'

　　>>> # Python3

　　>>> import sys

　　>>> sys.getdefaultencoding()

　　'utf-8'

　　因此，对于Python2来讲，Python解释器在读取到中文字符的字节码尝试解码操作时，会先查看当前代码文件头部是否有指明当前代码文件中保存的字节码对应的字符编码是什么。如果没有指定则使用默认字符编码"ASCII"进行解码导致解码失败，导致如下错误：

　　SyntaxError: Non-ASCII character '\xc4' in file xxx.py on line 11, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details

　　对于Python3来讲，执行过程是一样的，只是Python3的解释器以"UTF-8"作为默认编码，但是这并不表示可以完全兼容中文问题。比如我们在Windows上进行开发时，Python工程及代码文件都使用的是默认的GBK编码，也就是说Python代码文件是被转换成GBK格式的字节码保存到磁盘中的。Python3的解释器执行该代码文件时，试图用UTF-8进行解码操作时，同样会解码失败，导致如下错误：

　　SyntaxError: Non-UTF-8 code starting with '\xc4' in file xxx.py on line 11, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details

　　创建一个工程之后先确认该工程的字符编码是否已经设置为UTF-8

　　为了兼容Python2和Python3，在代码头部声明字符编码：-*- coding:utf-8 -*-

　　4、Python2与Python3编码过程

　　Python2中的字符串进行字符编码转换过程是：

　　字节串-->decode('原来的字符编码')-->Unicode字符串-->encode('新的字符编码')-->字节串

　　Python3中定义的字符串默认就是unicode，因此不需要先解码，可以直接编码成新的字符编码：

　　字符串-->encode('新的字符编码')-->字节串

作者：传智播人工智能+Python培训学院

首发： http://python.itheima.com