彻底解决Python编码问题

1. 基本概念

  • 字符集(Character set)

    • 解释:文字和符合的总称
    • 常见字符集:
      • Unicode字符集
      • ASCII字符集(Unicode子集)
      • GB2312字符集
  • 编码方法(Encoding)

    • 解释:将字符对应到字节的方法,部分字符集和编码方法名称一样。
    • 常见编码方法:
      • UTF-8:可对Unicode字符进行编码
      • GB2312
      • ASCII
  • 编码(Encode)

    • 解释:将字符集中字符按照一定规则转换成字节
  • 解码(Decode)

    • 解释:与编码相反,将字节转换为字符集中的字符
  • 字符集与编码方法的关系

    • 每个字符集都有对应的编码方法
    • 一种字符集可能有多种编码方法
      • 不同的编码方法得到的字节不同,占用存储空间也不一样
      • 例如Unicode字符可以使用UTF-8/ASCII/GBK等方法编码
    • Unicode字符集包含世界上大部分字符,很多其他字符集有的字符它都有,是他们的超集
    • 大部分字符集可以理解为Unicode的子集
    • 实际上,除了Unicode之外所谓的字符集主要是对Unicode部分字符编码而已(定义编码方式)
    • 一种编码不必支持Unicode的所有字符(通常把它能支持的那部分称为它的字符集)

2. 关于编码的错误和解决方法

在开发过程中,我们所接触的字符集大多都是Unicode,大部分报错都是关于编码和解码的。

2.1. 编码错误UnicodeEncodeError

2.1.1. 错误分析

导致该错误的原因通常是编码方法支持的Unicode字符不全;在工作中,你写了一个txt中文文档,想用ascii编码去保存这个文件,就会报这种错误。

错误复现:

我们知道ascii不支持字符,那我们用ascii编码方法对Unicode进行编码:

# -*- encoding: utf-8 -*- 
u"中".encode(encoding='ascii')

报错如下:

UnicodeEncodeError: 'ascii' codec can't encode character '\u4e2d' in position 0: ordinal not in range(128)

这是一个UnicodeEncodeError 类型的错误,提示无法使用指定的编码方法对字符进行编码,报错提示中可以得到3个信息:

  • 当前使用的是acsii编码方法
  • 被编码的字符是’\u4e2d’
  • ascii编码方法能支持的字符有128个

有时候我们还可以利用这个提示查看编码方法支持的字符个数:

# -*- encoding: utf-8 -*- 
u"中".encode(encoding='iso-8859-1')

报错:

UnicodeEncodeError: 'latin-1' codec can't encode character '\u4e2d' in position 0: ordinal not in range(256)

通过报错提示可以看出iso-8859-1能编256个字符。

接着,我们来看下用支持中文的utf-8 编码方法进行编码能得到什么结果:

# -*- encoding: utf-8 -*-
s = u"中".encode(encoding='utf-8')
print("s: ", s)
print("s == 中?" , s == '中')
print("type of s: ", type(s))
print("str==bytes? ", bytes == type(s))

输出:

('s: ', '\xe4\xb8\xad')
('s == \xe4\xb8\xad?', True)
('type of s: ', <type 'str'>)
('str==bytes? ', True)

从输出的结果可以得到:

- 编码得到的对象跟我们直接定义的字符串是一样的,都是str
- `str`就是`bytes`(python中)

2.1.2. 解决方法

UnicodeEncodeError 是说编码方法支持的字符不全,而UTF-8编码就能很好地对Unicode编码,所以只要把编码方法指定为utf-8就可以了。

在python2中:

如果你调用encode方法但没有指定encoding参数,那很可能使用了系统默认的参数,就像:

# -*- encoding: utf-8 -*-
import sys
print "default encoding is %s ." % sys.getdefaultencoding()
u'中'.encode()

输出:

default encoding is ascii .
UnicodeEncodeError: 'ascii' codec can't encode character u'\u4e2d' in position 0: ordinal not in range(128)

可以手动指定encoding参数,也可以修改python默认编码方法:

# -*- encoding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf-8')  # 必须在reload之后调用

print u'中'.encode()

在python3中:

在python3中你很难看到UnicodeEncodeError了,因为python3的默认编码就是utf-8,而Unicode字符都可以用utf-8编码方法编码。

2.2. 编码错误UnicodeDecodeError

2.2.1. 错误分析

导致该错误的原因是使用了错误的解码方式把字节数据还原成字符。例如在工作中,有一个utf-8生成中文文档,我们选择用ascii编码解码,就会报这个错。

错误复现:

我们知道python中字符串和字节是一样,我们可以定义一个中文字符串,通过ascii来解码生成Unicode,复现这个错误:

# -*- encoding: utf-8 -*-
print '中'.decode(encoding='ascii')

输出:

UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)

注意,这是一个UnicodeDecodeError错误,区别于编码错误UnicodeEncodeError,它提示无法把字节0xe4(实际上对应三字节,0xe4是第一个) 解码成Unicode。0xe4转换为10进制是228,已经超过127了,所以ascii无能力了。

2.2.2. 解决方法

我们需要知道生成字节的编码方式才能进行还原,就好像对一个文件进行了加密,必须得知道加密的密码才能把文件还原,而解码方式(或者称为编码)就是那个密码。 所以不管是python2还是python3直接去修改默认编码为UTF-8不一定能解决问题,具体的方法有两种:

  1. 通过源码找到解码失败的字节是使用那种编码生成的
  2. 对报错的字节数据使用各种常见的编码进行解码,观察哪一种是正确的

以一个例子来说明为什么直接设置默认编码为UTF-8不能有效解决UnicodeDecodeError问题

python文件头指定了编码为,在声明字符串时候将会使用指定的编码转换为字节:

# -*- encoding: GBK -*-
s = "张"
print ("s is ", s)

s_unicode = u'张'
print ("encoding with GBK is ", s_unicode.encode("GBK"))
print ("encoding with UTF-8 is ", s_unicode.encode("UTF-8"))

输出:

('s is ', '\xd5\xc5')
('encoding with GBK is ', '\xd5\xc5')
('encoding with UTF-8 is ', '\xe5\xbc\xa0')

在文件头中指定了GBK编码后默认情况下字符就会被编码为\xd5\xc5,这与我们手动用GBK编码得到结果一致,而使用utf-8编码得到的是3个字节的数据\xe5\xbc\xa0(使用了更多的存储空间)。

例子开始了,在python2中将一个dict转换成json:

# -*- encoding: GBK -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d))

输出:

UnicodeDecodeError: 'utf8' codec can't decode byte 0xd5 in position 0: invalid continuation byte

错误说无法使用utf-8解码0xd5,0xd5也就是GBK中的张,我们知道这个字节是用GBK生成的,这个时候可以设置json.dumps的encoding参数解决:

# -*- encoding: GBK -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='gbk'))

修改一下代码,继续使用我们熟悉的utf-8编码来执行:

# -*- encoding: utf-8 -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='utf-8'))

输出:

{"name": "\u5f20", "sex": "man"}

发现name是unicode,使用ensure_ascii=False,不强制转换成ascii:

# -*- encoding: utf-8 -*-
import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='utf-8', ensure_ascii=False))

输出:

  File "/usr/local/Cellar/python@2/2.7.15_1/Frameworks/Python.framework/Versions/2.7/lib/python2.7/json/__init__.py", line 251, in dumps
    sort_keys=sort_keys, **kw).encode(obj)
  File "/usr/local/Cellar/python@2/2.7.15_1/Frameworks/Python.framework/Versions/2.7/lib/python2.7/json/encoder.py", line 210, in encode
    return ''.join(chunks)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe5 in position 1: ordinal not in range(128)

纳尼,文件头也是utf-8,也指定了utf-8怎么还是报错?错误提示用ascii去解码0xe5字节,在上面的代码输出中可以知道0xe5是utf-8对字符编码的第一个字节 ,报错的原因是用ascii去解析utf-8生成的字节了。我们并没有设置哪个地方使用ascii解码,应该是系统默认的编码,尝试设置系统默认编码再执行:

# -*- encoding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

import json
d = {'name': "张", 'sex': u'man'}
print (json.dumps(d, encoding='utf-8', ensure_ascii=False))

输出:

{"name": "张", "sex": "man"}

3. 总结

3.1. python2和python3对字符串的处理区别

  • Python2
    • 默认编码是ascii
  • Python3
    • 默认编码为utf-8
    • 不能使用import sys;sys.setdefaultencoding('utf-8')设置默认编码
    • Unicode和str都用字符串表示了

3.2. 为什么不全用UTF-8编码?

UTF-8包含的字符更多,占用的内存和磁盘空间也更大,比如对汉字,utf-8是3个字节,gbk是2个字节。

3.3. 如何快速解决UnicodeEncodeError错误?

python3中基本不会出现,python2中尝试设置默认编码为utf-8。

3.4. 快速解决UnicodeDecodeError?

需要知道出错的字节是使用哪种编码方式生成的,然后尝试把默认编码设置成这种。

Tags: