python字符集编码深入理解

在python中和字符串相关的类型,分别是str,unicode两种不同的类型：

   basestring       |       +--str       |       +-- unicode

脚本字符编码：

指脚本文件本身是用何种字符编码的，默认情况Python解释器（解释器就是执行python程序的程序）认为脚本是ascii码：

#test.pyprint "你好"

上面是test.py脚本，运行 python test.py 就会包如下错误：

File “test.py”, line 1yntaxError: Non-ASCII character ‘\xe4′ in file test.py on line 1, but no encoding declared; see http://www.python.org/ps/pep-0263.html for details

所以如果文件中要使用非ascii编码的字符串，就必须在文件头部声明：

#coding=utf8#或者# coding=gb18030

这样就相当于告诉python解释器使用utf8编码或者gb18030来解释脚本文件。

解释器 字符编码：

解释器字符编码是指解释器内部认为的str类型的字符串的编码，也就是说python解释器会把str类型的字符串当作何种字符编码来处理。默认，python解释器字符编码也是ascii的。可以通过命令查看：

>>> sys.getdefaultencoding()'ascii'

不同的字符编码集如utf-8、gbk、iso8859-1等等的字符串（注：这些字符编码集都是针对str类型的字符串而言的，unicode字符串没有字符集这类说法）之间相互转换是怎么进行的呢？答案就是他们通过一个中间桥梁unicode来转换，相关的两个方法是decode和encode。

#从str类型的字符串转换到unicodes.decode(encoding)   =====><type 'str'> to <type 'unicode'>#从str类型的字符串转换到unicodeu.encode(encoding)  =====><type 'unicode'> to <type 'str'>

问题：现在假设我想要把一个gbk字符编码的str对象转换为utf-8的str对象，该如何转换呢？

现在默认我是在windows下操作，操作系统的字符编码默认是gbk的，

>>> s="你好">>> s'\xc4\xe3\xba\xc3'>>> len(s)4

gbk字符编码的两个中文的长度是4，如果是utf-8编码的字符串“你好”的长度是6，稍后我们把“s”转换成utf-8的看看是不是长度为6。

首先我们要先把”s”转换成unicode，在从unicode转换成utf-8编码的str对象：

>>> s1 = s.decode('gbk').encode('utf-8')>>> s1'\xe4\xbd\xa0\xe5\xa5\xbd'>>> len(s1)6>>>

实验证明s1就是一个utf-8编码的str类型的字符串对象。

str(S)与unicode(S)

str(s)和unicode(s)是两个工厂方法，分别返回str字符串对象和unicode字符串对象，str(s)是s.encode(‘ascii’)的简写。实验：

>>> s3 = u"你好">>> s3u'\u4f60\u597d'>>> str(s3)Traceback (most recent call last):  File "<stdin>", line 1, in <module>UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

上面s3是unicode类型的字符串，str(s3)相当于是执行s3.encode(‘ascii’)，前面介绍过python解释器默认字符编码是’ascii’的，之所以报错是因为转换后的s3里面含有非ascii字符（ascii只能表示0-127之间的ascii码字符）。所以就报错了，正确的指定编码：s3.encode(‘gbk’)就不会出现这个问题了。类似的unicode有同样的错误：

>>> s4 = "你好">>> unicode(s4)Traceback (most recent call last):  File "<stdin>", line 1, in <module>UnicodeDecodeError: 'ascii' codec can't decode byte 0xc4 in position 0: ordinal not in range(128)>>>

unicode(s4)等效于s4.decode(‘ascii’)，而这里s4是gbk字符编码的（因为我的操作系统默认编码是gbk），因此要正确的转换就要正确指定其编码s4.deocde(‘gbk’)。

更新
对于如unicode形式的字符串（str类型)：

s = 'id\u003d215903184\u0026index\u003d0\u0026st\u003d52\u0026sid’

转换成真正的unicode需要使用：

s.decode('unicode-escape')

测试：

>>> s = 'id\u003d215903184\u0026index\u003d0\u0026st\u003d52\u0026sid\u003d95000\u0026i'>>> print(type(s))<type 'str'>>>> s = s.decode('unicode-escape')>>> su'id=215903184&index=0&st=52&sid=95000&i'>>> print(type(s))<type 'unicode'>>>>

来自:http://foofish.net/blog/16/understanding-python-charset