关于Python编码这一篇文章就够了

概述

在使用Python或者其他的编程语言，都会多多少少遇到编码错误，处理起来非常痛苦。在Stack Overflow和其他的编程问答网站上，UnicodeDecodeError和UnicodeEncodeError也经常被提及。本篇教程希望能帮你认识Python编码，并能够从容的处理编码问题。

本教程提到的编码知识并不限定在Python，其他语言也大同小异，但我们依然会以Python为主，来演示和讲解编码知识。

通过该教程，你将学习到如下的知识:

• 获取有关字符编码和数字系统的概念
• 理解编码如何使用Python的str和bytes
• 通过int函数了解Python对数字系统的支持
• 熟悉Python字符编码和数字系统相关的内置函数

什么是字符编码

现在的编码规则已经有好多了，最简单、最基本是的ASCII编码，只要是你学过计算机相关的课程，你就应该多少了解一点ASCII编码，他是最小也是最适合了解字符编码原理的编码规则。具体如下：

• 小写英文字符：a-z
• 大写英文字符：A-Z
• 符号: 比如 $和!
• 空白符：回车、换行、空格等
• 一些不可打印的字符: 比如\b等

那么，字符编码的定义到底是什么了？它是一种将字符（如字母，标点符号，符号，空格和控制字符）转换为整数并最终转换为bit进行存储的方法。 每个字符都可以编码为唯一的bit序列。 如果你对bit的概念不了解，请不要担心，我们后面会介绍。

ASCII码的字符被分为如下几组：

ASCII表一共包括128个字符，如果你想了解整个ASCII表，这里有

Python string模块

string模块是python里处理字符串很方便的模块，它包括了整个ASCII字符，让我们来看看部分string模块源码：

# From lib/python3.7/string.py

whitespace = ' \t\n\r\v\f'
ascii_lowercase = 'abcdefghijklmnopqrstuvwxyz'
ascii_uppercase = 'ABCDEFGHIJKLMNOPQRSTUVWXYZ'
ascii_letters = ascii_lowercase + ascii_uppercase
digits = '0123456789'
hexdigits = digits + 'abcdef' + 'ABCDEF'
octdigits = '01234567'
punctuation = r"""!"#$%&'()*+,-./:;<=>[e-mail][\]^_`{|}~"""
printable = digits + ascii_letters + punctuation + whitespace

你可以在Python中这样使用string模块：

>>> import string

>>> s = "What's wrong with ASCII?!?!?"
>>> s.rstrip(string.punctuation)
'What's wrong with ASCII'

什么是bit

学过计算机相关课程的同学，应该都知道，bit是计算机内部存储单位，只有0和1两个状态(二进制)，我们上面所说的ASCII表，都是一个10进制的数字表示一个字符，而这个10进制数字，最终会转换成0和1，存储在计算机内部。例如(第一列是10进制数字，第二列是二进制，第三列是计算机内部存储结果):

这是一种在Python中将ASCII字符串表示为位序列的方便方法。 ASCII字符串中的每个字符都被伪编码为8位，8位序列之间有空格，每个字符代表一个字符：

>>> def make_bitseq(s: str) -> str:
...     if not s.isascii():
...         raise ValueError("ASCII only allowed")
...     return " ".join(f"{ord(i):08b}" for i in s)

>>> make_bitseq("bits")
'01100010 01101001 01110100 01110011'

>>> make_bitseq("CAPS")
'01000011 01000001 01010000 01010011'

>>> make_bitseq("$25.43")
'00100100 00110010 00110101 00101110 00110100 00110011'

>>> make_bitseq("~5")
'01111110 00110101'

我们也可以是用python的f-string 来格式化，比如f"{ord(i):08b}"：

• 冒号的左侧是ord（i），它是实际的对象，其值将被格式化并插入到输出中。 使用ord（）为单个str字符提供了base-10代码点。

• 冒号的右侧是格式说明符。 08表示宽度为8,0填充，b用作在基数2（二进制）中输出结果数的符号。

ASCII编码不够用了

ASCII采用的是8bit来存储字符(只使用7位，剩下的1位二进制为0)，所以，ASCII最多存储128个字符，这有个简单的公式，计算存储字符的bit数量与存储字符总数的关系：2的n次方，n表示bit数量。例如：

• 1bit存储2个字符
• 8bit存储256个字符
• 64bit存储2的64次方 == 18,446,744,073,709,551,616

我们可以写个简单的代码，来计算一下，指定字符数量，至少需要多少bit来存储：

>>> from math import ceil, log

>>> def n_bits_required(nvalues: int) -> int:
...     return ceil(log(nvalues) / log(2))

>>> n_bits_required(256)
8

数字系统

在上面的ASCII讨论中，您看到每个字符映射到0到127范围内的整数。但在CPython中还有其他的数字系统，通过其他方式是表示数字。除了十进制外，python还支持以下几个方式：

• Binary: 2进制
• Octal: 8进制
• Hexadecimal (hex): 16进制

你可能要问，为什么有了十进制，还要支持这么多其他进制的数字了？这个取决你的业务场景和操作系统，在Python里，把str转换成int，默认是10进制的。

>>> int('11')
11
>>> int('11', base=10)  # 10 is already default
11
>>> int('11', base=2)  # Binary
3
>>> int('11', base=8)  # Octal
9
>>> int('11', base=16)  # Hex
17

你可以在赋值时，直接告诉解释器数字的类型，不同进制标表示方法如下：

类型	前缀	示例
n/a	n/a	11
二进制	0b 或者 0B	0b11
八进制	0o 或者 0O	0o11
十六进制	0x 或者 0X	0x11

>>> 11
11
>>> 0b11  # 二进制
3
>>> 0o11  # 八进制
9
>>> 0x11  # 16进制
17

深入Unicode

正如您所看到的，ASCII的问题在于它不是一个足够大的字符集来容纳世界上的语言，方言，符号和字形。 （这对于英语来说甚至都不够大。）Unicode从根本上起到与ASCII相同的作用，但是Unicode拥有更大的存储空间，具有1,114,112个可能的字符，能够完全包含世界上所有的语言。事实上，ASCII是Unicode的完美子集。 Unicode表中的前128个字符与您合理期望的ASCII字符完全对应。

Unicode本身不是编码，但是有很多遵循Unicode编码规范编码，后面讲到的UTF-8就是其中一个。

Unicode vs UTF-8

Unicode是一种抽象编码标准，而不是编码。这就是UTF-8和其他编码方案发挥作用的地方。 Unicode标准（字符到代码点的映射）从其单个字符集定义了几种不同的编码。UTF-8及其较少使用的表兄弟UTF-16和UTF-32是用于将Unicode字符表示为每个字符一个或多个字节的二进制数据的编码格式。我们稍后将讨论UTF-16和UTF-32，但到目前为止，UTF-8占据了最大份额。

Python 3里的编码与解码

Python 3的str类型用于表示人类可读的文本，可以包含任何Unicode字符。

相反，字节类型表示二进制数据或原始字节序列，它们本质上没有附加编码。

编码和解码是从一个到另一个的过程：

decode 和 encode 函数，默认编码是utf-8:

>>> "résumé".encode("utf-8")
b'r\xc3\xa9sum\xc3\xa9'
>>> "El Niño".encode("utf-8")
b'El Ni\xc3\xb1o'

>>> b"r\xc3\xa9sum\xc3\xa9".decode("utf-8")
'résumé'
>>> b"El Ni\xc3\xb1o".decode("utf-8")
'El Niño'

str.encode（）的结果是一个bytes对象，bytes对象只允许ASCII字符。这就是为什么在调用“ElNiño”.encode（“utf-8”）时，允许ASCII兼容的“El”按原样表示，但带有波浪号的n被转义为“\ xc3 \ xb1”。 这个看起来很乱的序列代表两个字节，十六进制为0xc3和0xb1：

>>> " ".join(f"{i:08b}" for i in (0xc3, 0xb1))
'11000011 10110001'

Python3一切字符皆Unicode

• 默认情况下，Python 3源代码假定为UTF-8。 这意味着您不需要＃ - * - 编码：UTF-8 - * - 位于Python 3中.py文件的顶部。

• 默认情况下，所有文本（str）都是Unicode。 编码的Unicode文本表示为二进制数据（字节）。 str类型可以包含任何文字Unicode字符，例如“Δv/Δt”，所有这些字符都将存储为Unicode。

• Unicode字符集中的任何内容都是标识符中的犹太符号，这意味着résumé=“〜/ Documents / resume.pdf”是有效的，虽然这看起来很花哨。

• Python的re模块默认为re.UNICODE标志而不是re.ASCII。 这意味着，例如，r“\ w”匹配Unicode字符，而不仅仅是ASCII字母。

• str.encode（）和bytes.decode（）中的默认编码是UTF-8。

还有一个更细微的属性，即内置的open（）的默认编码是依赖于平台的，并且取决于locale.getpreferredencoding（）的值：

>>> # Mac OS X High Sierra
>>> import locale
>>> locale.getpreferredencoding()
'UTF-8'

>>> # Windows Server 2012; other Windows builds may use UTF-16
>>> import locale
>>> locale.getpreferredencoding()
'cp1252'

一个关键特性是UTF-8是一种可变长度编码。回想一下关于ASCII的部分。 扩展ASCII-land中的所有内容最多需要一个字节的空间。 您可以使用以下生成器表达式快速证明这一点：

>>> all(len(chr(i).encode("ascii")) == 1 for i in range(128))
True

UTF-8完全不同。 给定的Unicode字符可以占用1到4个字节。 以下是占用四个字节的单个Unicode字符的示例：

>>> ibrow = "????"
>>> len(ibrow)
1
>>> ibrow.encode("utf-8")
b'\xf0\x9f\xa4\xa8'
>>> len(ibrow.encode("utf-8"))
4

>>> # Calling list() on a bytes object gives you
>>> # the decimal value for each byte
>>> list(b'\xf0\x9f\xa4\xa8')
[240, 159, 164, 168]

这是len（）的一个微妙但重要的特性：

• 作为Python str的单个Unicode字符的长度始终为1，无论它占用多少字节。
• 编码为字节的相同字符的长度将介于1和4之间。

UTF-16和UTF-32

我们来聊聊UTF-16和UTF-32，在实际的编程实践中，它们和UTF-8区别还是很重要的，下面的通过实例我们来看看具体区别：

>>> letters = "αβγδ"
>>> rawdata = letters.encode("utf-8")
>>> rawdata.decode("utf-8")
'αβγδ'
>>> rawdata.decode("utf-16")  # 
'뇎닎돎듎'

在这种情况下，使用UTF-8编码四个希腊字母然后解码回UTF-16中的文本将产生一个完全不同语言（韩语）的文本str。
此表汇总了UTF-8，UTF-16和UTF-32下的字节范围或字节数：

编码	长度(字节)	是否可变
UTF-8	1~4	是
UTF-16	2~4	是
UTF-32	4	否

UTF系列编码另外一个需要注意的地方是，UTF-8编码占用存储空间不一定比UTF-16少，因为他们都不是固定长度的。例如

>>> text = "記者 鄭啟源 羅智堅"
>>> len(text.encode("utf-8"))
26
>>> len(text.encode("utf-16"))
22

原因是U + 0800到U + FFFF（十进制的2048到65535）范围内的代码点占用了UTF-8中的三个字节，而UTF-16中仅占用了两个字节。
正常情况下，最好不用使用UTF-16，除非特殊要求，不然UTF-8更加通用。

Python内建函数

Python内置了很多与编码相关的函数：

• ascii()
• bin()
• bytes()
• chr()
• hex()
• int()
• oct()
• ord()
• str()

可以分成以下几组:

• ascii()，bin()，hex()和oct(), 第一个是ascii()，它生成一个仅对象的ASCII表示，其中非ASCII字符被转义。 其余三个分别给出整数的二进制，十六进制和八进制表示。
• bytes()，str()和int()是各自类型，bytes，str和int的类构造函数。 它们各自提供了将输入强制转换为所需类型的方法。 例如，如前所述，虽然int(11.0)可能更常见，但您可能也会看到int(‘11’，base = 16)。
• ord()和chr()，ord()将str字符转换为10进制，而chr()执行相反的操作。

Python中的其他编码

目前，我们讲了4中编码：

• ASCII
• UTF-8
• UTF-16
• UTF-32

还有其他很多编码，比如Latin-1(也称作ISO-8859-1)，这是HTTP默认的编码，然而windows是Latin-1变体，称作cp1252。
完整的已接受编码列表隐藏在编解码器模块的文档中，该模块是Python标准库的一部分。

还有一个有用的公认编码需要注意，即“unicode-escape”。 如果您有一个已解码的str并希望快速获得其转义的Unicode文字的表示，那么您可以在.encode（）中指定此编码：

>>> alef = chr(1575)  # Or "\u0627"
>>> alef_hamza = chr(1571)  # Or "\u0623"
>>> alef, alef_hamza
('ا', 'أ')
>>> alef.encode("unicode-escape")
b'\\u0627'
>>> alef_hamza.encode("unicode-escape")
b'\\u0623'

注意外部数据编码

虽然Python代码默认使用了UTF-8作为编码，但并不意味着外部输入的数据也是UTF-8编码的，如果这些外部的数据没有指定编码，那么在处理他们是，你就要格外小心了。比如你调用API获取数据，正常是用UTF-8去解码，没有问题，但如果突然API给你返回这样的数据:

>>> data = b"\xbc cup of flour"
>>> data.decode("utf-8")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xbc in position 0: invalid start byte

这地方抛出了UnicodeDecodeError错误，仔细检查，发现其实数据的编码是Latin-1。

>>> data.decode("latin-1")
'¼ cup of flour'

如果你对字符串的编码不确定，可以使用chardet库来检查字符串编码。

总结

在本文中你已经了解了编码的详细原理，相信你在以后的编程过程中，再遇到编码错误，相信你能比较从容的解决了。