Python 2.X 编码问题汇总

　　对于不懂ANSI，GBK，Unicode和UTF-8编码的同学，建议先看第二节；对于懂编码的同学可以直接看第一节。

1. Python 2.X中Str和Unicode的区别

1.1 str和unicode

　　(1)str和unicode都是basestring的子类.(https://docs.python.org/2/howto/unicode.html#python-2-x-s-unicode-support)

　　
　　(2)判断是否是字符串或str或unicode的方法:isinstance()
　　

　　(3)str和unicode的区别：
　　
　　Str即为图中的a sequence of bytes（字节串），由unicode经过编码(encode)后的字节组成的；而unicode才是真正的字符串，由字符组成
　　
　　
　　
　　Code point的介绍如下：
　　

　　所以，搞明白要处理的是str还是unicode, 使用对的处理方法(str.decode / unicode.encode)；且不同编码转换,使用unicode作为中间编码
　　encode见(http://www.tutorialspoint.com/python/string_encode.htm)，
　　decode见(http://www.tutorialspoint.com/python/string_decode.htm)
　　注意：unicode()可以设置编码异常时的处理方式。
　　
　　
　　
　　Unicode(‘中文’,’utf8’)出错的原因是，‘中文’的编码是’KOI8-R’，通过下图方式检测：
　　

＃＃1.2 编码规范
　　py文件默认编码是ASCII, 在源代码文件中，如果用到非ASCII字符，需要在文件头部进行编码声明。这里写链接内容，声明格式：
　　
　　源码文件用utf-8，然后程序处理的字符串编码格式都统一用unicode。简言之即为1.decode early；2.unicode everywhere；3.encode later
　　在decode early阶段，建议用：
　　

　　需要注意的是：test.txt需要保存为无BOM的utf-8，文件按行输出的时候，需要strip()，当然，在Python3.4中，open()可以直接给encoding赋值，而2.X中未提供此参数。

＃＃1.3 相关模块
　　（1）获得和设置系统默认编码
　　
　　
　　设置系统默认编码的方法setdefaultencoding()调用前可能需要先reload（sys）
　　（2）文件编码检测模块 chardet
　　通过pip install chardet安装即可用，如下：
　　

　　把文件存成无BOM格式后，即检测出：
　　

2.编码简介

　　ANSI、GBK、GB2312、UTF-8、GB18030和 UNICODE。这几个编码关键词是比较常见的，虽然把它们放在了一起说，但并不意味这这几个东西是平级的关系。

2.1 ANSI

　　很久以前有一群人，他们决定用8个可以开合的晶体管来组合成不同的状态，以表示世界上的万物，他们把这称为“字节”（bit就是位，也叫比特位，是计算机表示数据最小的单位。byte就是字节，1byte=8bit，1byte就是1B；一个字符=2字节）。再后来，他们又做了一些可以处理这些字节的机器，机器开动了，可以用字节来组合出很多状态，状态开始变来变去，他们就把这机器称为“计算机”。
开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。他们把其中的编号从0开始的32种状态分别规定了特殊的用途， 一旦终端、打印机遇上约定好的这些字节被传过来时，就要做一些约定的动作。遇上 0×10, 终端就换行，遇上0×07, 终端就向人们嘟嘟叫，例如遇0x1b, 打印机就打印反白的字，或者终端就用彩色显示字母。他们看到这样很好，于是就把这些0x20以下的字节状态称为”控制码”。
　　他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示，一直编到了第127号，这样计算机就可以用不同字节来存储英语的文字了。大家看到这样，都感觉很好，于是大家都把这个方案叫做ANSI的“Ascii”编码（American Standard Code for Information Interchange，美国信息互换标准代码）。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。
　　后来计算机发展越来越广泛，世界各国为了可以在计算机保存他们的文字，他们决定采用127号之后的空位来表示这些新的字母、符号，还加入了很多画表格时需要用下到的横线、竖线、交叉等形状，一直把序号编到了最后一个状态255。从128到255这一页的字符集被称”扩展字符集”。但是原有的编号方法，已经再也放不下更多的编码。
　　0-127 是7位ASCII码的范围，是国际标准。标准表见(http://baike.baidu.com/link?url=AswYaWB7yBQsCXTIetX4Pkp3uPVLrmPSCvNeDD-nN2aiOpxT6DcGu2JlFRCNnSuclvNVOdWgtg6f8uQrSEDBKa)

2.2 GB2312、GBK、GB18030

　　等中国人们得到计算机时，已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存。于是国人就自主研发，把那些127号之后的奇异符号们直接取消掉。规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高字节）从0xA1用到 0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了（1个汉字=2个byte）。在这些编码里，我们还把数学符号、罗马希腊的 字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的”全角”字符，而原来在127号以下的那些就叫”半角”字符了。
　　中国人民看到这样很不错，于是就把这种汉字方案叫做 “GB2312″。GB2312 是对 ASCII 的中文扩展。但是中国的汉字太多了，后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为GBK标准，GBK 包括了GB2312的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，GBK扩成了GB18030。从此之后，中华民族的文化就可以在计算机时代中传承了。

2.3 Unicode

　　因为当时各个国家都像中国这样搞出一套自己的编码标准，结果互相之间谁也不懂谁的编码，谁也不支持别人的编码。当时的中国人想让电脑显示汉字，就必须装上一个“汉字系统”，专门用来处理汉字的显示、输入的问题，装错了字符系统，显示就会乱了套。这怎么办？就在这时，一个叫ISO（国际标谁化组织）的国际组织决定着手解决这个问题。他们采用的方法很简单：废了所有的地区性编码方案，重新搞一个包括了地球上所有文化、所有字母和符号的编码。他们打算叫它”Universal Multiple-Octet Coded Character Set”，简称 UCS, 俗称 “UNICODE”。
　　UNICODE 开始制订时，计算机的存储器容量极大地发展了，空间再也不成为问题了。于是ISO就直接规定必须用两个字节，也就是16位来统一表示所有的字符，对于 ascii 里的那些”半角”字符，UNICODE 保持其原编码不变，只是将其长度由原来的8位扩展为16位，而其他文化和语言的字符则全部重新统一编码。由于”半角”英文符号只需要用到低8位，所以其高 8位永远是0，因此这种大气的方案在保存英文文本时会多浪费一倍的空间。
　　但是，UNICODE 在制订时没有考虑与任何一种现有的编码方案保持兼容，这使得 GBK 与UNICODE 在汉字的内码编排上完全是不一样的，没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换，这种转换必须通过查表来进行。UNICODE是用两个字节来表示为一个字符，他总共可以组合出65536不同的字符，这大概已经可以覆盖世界上所有文化的符号。
　　UNICODE 来到时，一起到来的还有计算机网络的兴起，UNICODE 如何在网络上传输也是一个必须考虑的问题，于是面向传输的众多 UTF（UCS Transfer Format）标准出现了，顾名思义，UTF8就是每次8个位传输数据，而UTF16就是每次16个位，只不过为了传输时的可靠性，从UNICODE到 UTF时并不是直接的对应，而是要过一些算法和规则来转换。如下：

Unicode编码(十六进制)　    UTF-8 字节流(二进制)00000000 - 0000007F 0xxxxxxx00000080 - 000007FF 110xxxxx 10xxxxxx00000800 - 0000FFFF 1110xxxx 10xxxxxx 10xxxxxx00010000 - 001FFFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx00200000 - 03FFFFFF 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx04000000 - 7FFFFFFF 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　看完这些，相信你对于这几个编码关系等，了解的比较清楚了吧。我再来简单的总结一下：
　　●中国人民通过对ASCII编码的中文扩充改造，产生了GB2312编码，可以表示6000多个常用汉字。
　　●汉字实在是太多了，包括繁体和各种字符，于是产生了GBK编码，它包括了 GB2312 中的编码，同时扩充了很多。
　　●中国是个多民族国家，各个民族几乎都有自己独立的语言系统，为了表示那些字符，继续把 GBK 编码扩充为GB18030编码。
　　●每个国家都像中国一样，把自己的语言编码，于是出现了各种各样的编码，如果你不安装相应的编码，就无法解释相应编码想表达的内容。
　　●终于，有个叫 ISO 的组织看不下去了。他们一起创造了一种编码UNICODE ，这种编码非常大，大到可以容纳世界上任何一个文字和标志。所以只要电脑上有 UNICODE 这种编码系统，无论是全球哪种文字，只需要保存文件的时候，保存成 UNICODE 编码就可以被其他电脑正常解释。
　　●UNICODE在网络传输中，出现了两个标准UTF-8和UTF-16，分别每次传输8个位和16个位。
　　于是就会有人产生疑问，UTF-8 既然能保存那么多文字、符号，为什么国内还有这么多使用 GBK 等编码的人？因为UTF-8等编码体积比较大，占电脑空间比较多，如果面向的使用人群绝大部分都是中国人，用GBK等编码也可以。但是目前的电脑来看，硬盘都是白菜价，电脑性能也已经足够无视这点性能的消耗了。所以推荐所有的网页使用统一编码：UTF-8。

2.4关于记事本无法单独保存“联通”的问题

　　当你新建一个文本文档 之后，在里面输入“联通”两个字，然后保存。当你再次打开的时候，原来输入的“联通”会变成两个乱码。
　　这个问题就是因为 GB2312 编码与 UTF8 编码产生了编码冲撞造成的。
　　UTF-8以字节为单位对Unicode进行编码。从Unicode到UTF-8的编码方式如下：

Unicode编码(十六进制)　    UTF-8 字节流(二进制)00000000 - 0000007F 0xxxxxxx00000080 - 000007FF 110xxxxx 10xxxxxx00000800 - 0000FFFF 1110xxxx 10xxxxxx 10xxxxxx00010000 - 001FFFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx00200000 - 03FFFFFF 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx04000000 - 7FFFFFFF 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　例如”汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以要用3字节模板：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110 1100 0100 1001，将这个比特流按三字节模板的分段方法分为0110 110001 001001，依次代替模板中的x，得到：1110-0110 10-110001 10-001001，即E6 B1 89，这就是其UTF8的编码。
　　而当你新建一个文本文件时，记事本的编码默认是ANSI, 如果你在ANSI的编码输入汉字，那么他实际就是GB系列的编码方式，在这种编码下，”联通”的内码是：

c1 1100 0001aa 1010 1010cd 1100 1101a8 1010 1000

　　注意到了吗？第一二个字节、第三四个字节的起始部分的都是”110″和”10″，正好与UTF8规则里的两字节模板是一致的，于是再次打开记事本 时，记事本就误认为这是一个UTF8编码的文件，让我们把第一个字节的110和第二个字节的10去掉，我们就得到了”00001 101010″，再把各位对齐，补上前导的0，就得到了”0000 0000 0110 1010″，不好意思，这是UNICODE的006A，也就是小写的字母“j”，而之后的两字节用UTF8解码之后是0368，这个字符什么也不是。这就是只有“联通”两个字的文件没有办法在记事本里正常显示的原因。
　　由这个问题，可以发散出很多问题。比较常见的一个问题就是：我已经把文件保存成了 XX 编码，为什么每次打开，还是原来的 YY 编码？原因就在于此，你虽然保存成了 XX 编码，但是系统识别的时候，却误识别为了 YY 编码，所以还是显示为 YY 编码。为了避免这个问题，微软公司弄出了一个叫BOM头的东西。

2.5 关于文件 BOM 头的问题

　　当使用类似 WINDOWS 自带的记事本等软件，在保存一个以UTF-8编码的文件时，会在文件开始的地方插入三个不可见的字符（0xEF 0xBB 0xBF，即BOM）。它是一串隐藏的字符，用于让记事本等编辑器识别这个文件是否以UTF-8编码。这样就可以避免这个问题了。对于一般的文件，这样并不会产生什么麻烦。
　　这样做，也有弊处，尤其体现在网页中。PHP并不会忽略BOM，所以在读取、包含或者引用这些文件时，会把BOM作为该文件开头正文的一部分。根据嵌入式语言的特点，这串字符将被直接执行（显示）出来。由此造成即使页面的 top padding 设置为0，也无法让整个网页紧贴浏览器顶部，因为在html一开头有这3个字符。如果你在网页中，发现了由未知的空白等，很有可能就是由于文件有 BOM 头造成的。遇到这种问题，把文件保存的时候，不要带有BOM 头！

2.6如何查看和修改某文档的编码

　　(1)直接使用记事本查看和修改。我们可以用记事本打开文件，然后点击左上角的“文件”“另存为”，这时候就会弹出一个保存的窗口。在下面选择好编码之后，点击保存就可以了这种方式的选择余地非常小，通常用来快速查看文件是什么编码。我更推荐使用下面的方法。
　　(2)使用其他文本编辑器（例如：notepad ++）来查看修改。几乎所有的成熟的文本编辑器（例如：Dreamweaver、Emeditor等），都可以快速查看或修改文件编码。这一点尤其体现在 notepad++ 上面。
打开一个文件之后，会在右下角显示当前文件的编码。点击上面菜单栏中的 “encoding” 即可把当前文档转换成其他编码。