python中的各种编码问题的原因和解决方法

 开发经常会遇到各种字符串编码的问题，例如报错 SyntaxError: Non-ASCII character 'ascii' codec can't encode characters in position 0-2: ordinal not in range(128) ，又例如显示乱码。

由于之前不知道编码的原理，遇到这些情况，就只能不断的用各种编码decode和encode。。。。。

今天整理一个python中的各种编码问题的原因和解决方法，以后遇到编码问题，就不会像莽头苍蝇一样，到处乱撞了。

下面的python环境都是在2.7，听说在3.X中已经没有编码的问题了，因为所有的字符串都是unicode了，之后装个3.X试一下。

一、encoding的作用

1.在python文件中，如果有中文，就一定要在文件的第一行标记使用的编码类型，例如 #encoding=utf-8 ,就是使用utf-8的编码，这个编码有什么作用呢？会改变什么呢？

demo1.py

输出：

我们通过print把一个变量输出到终端的时候，IDE或者系统一般都会帮我们的输出作转换，例如中文字符会转成中文，所以就看不到变量的原始内容。

repr函数可以看这个变量的给python看的形式，也就是看到这个变量的原始内容

从上面的输出可以看到test变量的str类型，它的编码是utf-8的（怎么知道是utf-8，请看第三部分），也就是的encoding类型

如果我们把encoding改为gbk

demo2.py

输出

这样test的编码类型就变为gbk了。

所以这个encoding会决定在这个py文件中定义的字符串变量的编码方式。

而如果一个变量是从其他py文件导入，或者从数据库，redis等读取出来的话，它的编码又是怎样的？

a.py

b.py

输出

a.py中定义test变量，a.py的编码方式是utf-8,b.py的编码方式是gbk,b从a中导入test，结果显示test依然为utf-8编码，也就是a.py的编码

所以encoding只会决定本py文件的编码方式，不会影响导入的或者从其他地方读取的变量的编码方式

二、常见报错 codec can't encode characters 的原因

python的程序经常会报错 codec can't encode characters 或 codec can't decode characters

在python中定义一个字符串，

上面的代码会报错

除了str方法外，如果操作两个都有中文的字符串，也会报错，但是只有其中一个有中文，却不会报错

为什么会这样？

这原因下面再解答，这里先列出这个报错的解决方法：

解决方法是：把系统的默认编码设置为utf-8

demo3.py

这里定义三个分别是unicode，utf-8和gbk编码的字符串，unicode_test,utf8_test和gbk_test

1.合并unicode和utf-8的时候，输出：

合并的结果的编码是unicode编码。

2.合并unicode和gbk，会报错：

所以我们可以推测：

在python对两个字符串进行操作的时候，如果这两个字符串有一个是unicode编码，有一个是非unicode编码，python会将非unicode编码的字符串decode成unicode编码，再进行字符串操作

例如合并字符串的操作可以写成以下的function：

PS:sys.getdefaultencoding()的初始值是ascii

所以，

codec can't encode（decode） characters 这个报错是encode或decode这两个方法产生的，而这个方法的参数是sys.getdefaultencoding()。如果用ascii编码对带有中文的字符串进行解码，就会报错。所以修改系统的默认编码可以避免这个报错。

当执行 str 操作时，python会执行 unicode_test.encode(sys.getdefaultencoding()) ，所以也会报错。

3.#合并utf-8和gbk的时候却不会报错，python会直接把两个字符串合并，不会有decode或encode的操作，但是输出的时候，部分字符串会乱码。

demo4.py

这里文件的encoding是gbk，sys.getdefaultencoding()设置为utf-8，结果是：

即gbk的部分乱码了。所以输出的时候会按照sys.getdefaultencoding()的编码来解码。

三、怎么判断一个字符串（string）的编码方式

1.没有办法准确地判断一个字符串的编码方式，例如gbk的“\aa”代表甲，utf-8的“\aa”代表乙，如果给定“\aa”怎么判断是哪种编码？它既可以是gbk也可以是utf-8

2.我们能做的是粗略地判断一个字符串的编码方式，因为上面的例如的情况是很少的，更多的情况是gbk中的’\aa’代表甲，utf-8中是乱码，例如�，这样我们就能判断’\aa’是gbk编码，因为如果用utf-8编码去解码的结果是没有意义的

3.而我们经常遇到的编码其实主要的就只有三种：utf-8，gbk，unicode

• unicode一般是 \u 带头的，然后后面跟四位数字或字符串，例如 \u6d4b\u8bd5 ，一个 \u 对应一个汉字
• utf-8一般是 \x 带头的，后面跟两位字母或数字，例如 \xe6\xb5\x8b\xe8\xaf\x95\xe5\x95\x8a ，三个 \x 代表一个汉字
• gbk一般是 \x 带头的，后面跟两位字母或数字，例如 \xb2\xe2\xca\xd4\xb0\xa1 ，两个个 \x 代表一个汉字

4.使用chardet模块来判断

 

输出：

chardet模块可以计算这个字符串是某个编码的概率，基本对于99%的应用场景，这个模块都够用了。

四、string_escape和unicode_escape

1. string_escape

在str中， \x 是保留字符，表示后面的两位字符表示一个字符单元（暂且这么叫，不知道对不对），例如 '\xe6' ，一般三个字符单元表示一个中文字符

所以在定义变量时， a='\xe6\x88\x91' ,是代表定义了一个中文字符“我”，但是有时候，我们不希望a这个变量代表中文字符，而是代表3*4=12个英文字符，可以使用 encode('string_escape') 来转换：

decode就是反过来。

转换前后的类型都是string。

还有一个现象，定义 a='\x' , a='\x0' 都是会报错 ValueError: invalid \x escape 的，而定义 a='\a' ,即反斜杠后面不是跟x，都会没问题，而定义 a='\x00' ，即x后面跟两个字符，也是没问题的。

2. unicode_escape

同理在unicode中，\ u 是保留字符，表示后面的四个字符表示一个中文字符，例如 b=u'u6211' ，表示“我:”，同理我们希望b变量，表示6个英文字符，而不是一个中文字符，就可以使用encode(‘unicode-escape’)来转换：

注意encode前是unicode，转换后是string。

在unicode中，\u是保留字符，但是在string中，就不是了，所以只有一个反斜杠，而不是两个。

decode就是反过来。

同理， a='\u' 也是会报错的

3. 例子

4. 应用

1. 内容是unicode，但是type是str，就可以使用 decode("unicode_escape") 转换为内容和type都是unicode
   
   
   
2. 内容是str，但是type是unicode,就可以使用 encode("unicode_escape").decode("string_escape") 转换为内容和type都是str
   
        做一位分享者 把自己看到的 分享给周围的同学 朋友一起学习进步 视频资料可以在QQ找我                                   筱熙   QQ ：1463590088