python2.x 預設編碼問題解決方法

python2.x中處理中文，是一件頭痛的事情。網路上寫這方面的文章，測次不齊，而且都會有點錯誤，所以在這裡打算自己總結一篇文章。

我也會在以後學習中，不斷的修改此篇部落格。

這裡假設讀者已有與編碼相關的基礎知識,本文不再再次介紹，包括什麼是utf-8，什麼是unicode，它們之間有什麼關係。
str與字節碼

首先，我們完全不談unicode。

s = "人生苦短"

s是個字串，它本身儲存的就是字節碼。那麼這個字節碼是什麼格式的呢？

如果這段程式碼是在解釋器上輸入的，那麼這個s的格式就是解釋器的編碼格式，對於windows的cmd而言，就是gbk。

如果將段程式碼是儲存後才執行的，例如儲存為utf-8，那麼在解釋器載入這段程式的時候，就會將s初始化為utf-8編碼。
unicode與str

我們知道unicode是一種編碼標準，具體的實現標準可能是utf-8，utf-16，gbk …

# python 在內部使用兩個位元組來儲存一個unicode，使用unicode物件而不是str的好處，就是unicode方便於跨平台。

你可以用以下兩種方式定義一個unicode:

s1 = u"人生苦短"
s2 = unicode("人生苦短", "utf-8")

encode與decode

在python中的編碼解碼是這樣的：

所以我們可以寫這樣的程式碼：

# -*- coding:utf-8 -*-
su = "人生苦短"
# ： su是一个utf-8格式的字节串
u = s.decode("utf-8")
# ： s被解码为unicode对象，赋给u
sg = u.encode("gbk")
# ： u被编码为gbk格式的字节串，赋给sg
print sg
# 打印sg

但是事實情況要比這個複雜，例如看如下程式碼：

s = "人生苦短"
s.encode('gbk')

看！ str也能編碼，(事實上unicode物件也能解碼，但是意義不大)

這樣為什麼可以？看上圖的編碼流程的箭頭，你就能想到原理，當對str進行編碼時，會先用預設編碼將自己解碼為unicode，然後在將unicode編碼為你指定編碼。

這就引出了python2.x中在處理中文時，大多數出現錯誤的原因所在：python的預設編碼，defaultencoding是ascii

看這個例子：

# -*- coding: utf-8 -*-
s = "人生苦短"
s.encode('gbk')

上面的程式碼會報錯，錯誤訊息：UnicodeDecodeError: 'ascii' codec can't decode byte …

#因為你沒有指定defaultencoding,所以它其實在做這樣的事情:

# -*- coding: utf-8 -*-
s = "人生苦短"
s.decode('ascii').encode('gbk')

設定defaultencoding

設定defaultencoding的程式碼如下：

reload(sys)
sys.setdefaultencoding('utf-8')

如果你在python中進行編碼和解碼的時候，不指定編碼方式，那麼python就會使用defaultencoding。

例如上一節範例中將str編碼為另一種格式，就會使用defaultencoding。
 

s.encode("utf-8") 等价于 s.decode(defaultencoding).encode("utf-8")

再例如你使用str建立unicode物件時，如果不說明這個str的編碼格式，那麼程式也會使用defaultencoding。

u = unicode("人生苦短") 等价于 u = unicode("人生苦短",defaultencoding)

預設的defaultcoding：ascii是許多錯誤的原因，所以早早的設定defaultencoding是一個好習慣。

檔案頭聲明編碼的作用。

這要感謝這篇部落格關於python文件頭部分知識的講解。

頂部的:# -*- coding: utf-8 -*-目前看來有三個作用。

    如果程式碼中有中文註解，就需要此聲明
    比較進階的編輯器（例如我的emacs），會根據頭部聲明，將此作為代碼文件的格式。
    程式會透過頭部聲明，解碼初始化u」人生苦短”，這樣的unicode對象，（所以頭部聲明和程式碼的儲存格式要一致）

關於requests庫

requests是一個很實用的Python HTTP客戶端庫，編寫爬蟲和測試伺服器回應資料時常會用到。

其中的Request物件在存取伺服器後會傳回一個Response對象，這個物件將傳回的Http回應字節碼儲存到content屬性中。

但是如果你存取另一個屬性text時，會回傳一個unicode對象，亂碼問題就會常常發成在這裡。

因為Response物件會透過另一個屬性encoding來將字節碼編碼成unicode，而這個encoding屬性居然是responses自己猜出來的。

官方文档：

text
Content of the response, in unicode.

If Response.encoding is None, encoding will be guessed using chardet.

The encoding of the response content is determined based solely on HTTP headers, following RFC 2616 to the letter. If you can take advantage of non-HTTP knowledge to make a better guess at the encoding, you should set r.encoding appropriately before accessing this property.

所以要么你直接使用content(字节码)，要么记得把encoding设置正确，比如我获取了一段gbk编码的网页,就需要以下方法才能得到正确的unicode。

import requests
url = "http://xxx.xxx.xxx"
response = requests.get(url)
response.encoding = 'gbk'
  
print response.text

如果是早期的我写博客，那么我一定会写这样的例子：不仅仅要原理，更要使用方法！

如果现在的文件编码为gbk,然后文件头为：# -*- coding: utf-8 -*-，再将默认编码设置为xxx，那么如下程序的结果会是……

这就类似于，当年学c的时候，用各种优先级，结合性，指针来展示自己水平的代码。

实际上这些根本就不实用，谁会在真正的工作中写这样的代码呢？我在这里想谈谈实用的处理中文的python方法。

基本设置

主动设置defaultencoding。（默认的是ascii）

代码文件的保存格式要与文件头部的# coding:xxx一致

如果是中文，程序内部尽量使用unicode，而不用str

关于打印

你在打印str的时候，实际就是直接将字节流发送给shell。如果你的字节流编码格式与shell的编码格式不相同，就会乱码。

而你在打印unicode的时候，系统自动将其编码为shell的编码格式，是不会出现乱码的。

程序内外要统一

如果说程序内部要保证只用unicode，那么在从外部读如字节流的时候，一定要将这些字节流转化为unicode，在后面的代码中去处理unicode，而不是str。

with open("test") as f:
 for i in f:
 # 将读入的utf-8字节流进行解码
 u = i.decode('utf-8')
 ....

如果把连接程序内外的这段数据流比喻成通道的的话，那么与其将通道开为字节流，读入后进行解码，不如直接将通道开为unicode的。

# 使用codecs直接开unicode通道
file = codecs.open("test", "r", "utf-8")
for i in file:
 print type(i)
 # i的类型是unicode的

所以python处理中文编码问题的关键是你要清晰的明白，自己在干什么，打算读入什么格式的编码，声明的的这些字节是什么格式的，str到unicode是如何转换的，str的一种编码到另一种编码又是如何进行的。 还有，你不能把问题变得混乱，要自己主动去维护一种统一。

 

python 3和2很大区别就是python本身改为默认用unicode编码。

字符串不再区分"abc"和u"abc", 字符串"abc"默认就是unicode，不再代表本地编码、

由于有这种内部编码，像c#和java类似，再没有必要在语言环境内做类似设置编码，比如“sys.setdefaultencoding”;

也因此也python 3的代码和包管理上打破了和2.x的兼容。2.x的扩展包要适应这种情况改写。

另一个问题是语言环境内只有unicode怎么输出gbk之类的本地编码。

1.如果你在Python中进行编码和解码的时候，不指定编码方式，那么python就会使用defaultencoding。 而python2.x的的defaultencoding是ascii,

这也就是大多数python编码报错：“UnicodeDecodeError: 'ascii' codec can't decode byte ......”的原因。

 

2.关于头部的# coding：utf-8,有以下几个作用 2.1如果代码中有中文注释，就需要此声明 2.2比较高级的编辑器（比如我的emacs），会根据头部声明，将此作为代码文件的格式。 2.3程序会通过头部声明，解码初始化 u"人生苦短"，这样的unicode对象，（所以头部声明和代码的存储格式要一致）

python2.7以后不用setdefaultencoding了，这两个是没有区别的

这两个作用不一样, 1. # coding:utf-8 作用是定义源代码的编码. 如果没有定义, 此源码中是不可以包含中文字符串的. PEP 0263 -- Defining Python Source Code Encodings https://www.python.org/dev/peps/pep-0263/ 2. sys.getdefaultencoding() 是设置默认的string的编码格式

答按惯例都在(序列化)输出时才转换成本地编码。

以上是python2.x 預設編碼問題解決方法的詳細內容。更多資訊請關注PHP中文網其他相關文章！