Crossin的编程教室

标题: 吐血总结，彻底明白 python3 编码原理 [打印本页]

作者: 江水滔滔 时间: 2018-9-21 17:37
标题: 吐血总结，彻底明白 python3 编码原理

关于编码的历史演变，utf-8是如何一步步发展来的，windows为啥依旧保持gbk的编码。。。等等这些问题，网上一搜一大堆，大部分都是转发、分享后的雷同内容，依旧解决不了我内心的疑惑。。。编码是个蛋疼的事情，倘若不弄清楚，怎么在中国混？经过自己查阅多方文档、多次深入实验，我树立了对编码的基本世界观。
基础内容请自行谷歌..废话不多说，直接上干货！！
下面用几个简单的代码段，一步步讲解编码中“编”和“解”的问题！！（linux中运行）

“ 代码一 ”：

import sys, locale
s = "小甲"
print(s)
print(type(s))
print(sys.getdefaultencoding())
print(locale.getdefaultlocale())
with open("utf1","w",encoding = "utf-8") as f:
f.write(s)
with open("gbk1","w",encoding = "gbk") as f:
f.write(s)
with open("jis1","w",encoding = "shift-jis") as f:
f.write(s)

复制代码

代码很简单，学过Python的人应该都能看懂是啥意思~~我们看一下运行结果：“ 代码一 ” 运行结果：

小甲
<class 'str'>
utf-8
('en_US', 'UTF-8')

复制代码

正如大家所想，就是将“小甲”原样打印出来, 再把“小甲”存到3个文件中。（shift-jis是日文编码格式）这么蠢的代码我还会不知道吗？ ( 重点在后面 )这里解释一下打印出来的两个“utf-8”是什么意思：
上面的 utf-8 指：系统默认编码
注：不要把系统以为是操作系统，这里可以理解成python3的编译器本身
下面的 utf-8 指：本地默认编码
注：这个才是操作系统的编码。（在Windows运行会变成gbk）

现在我们分别查看utf1 、gbk1、jis1 这三个文件的内容：

utf1 : 小甲
gbk1 : С
jis1 : b

复制代码

问题：为什么 utf1 的内容很清楚，没有编码问题，而gbk1 、jis1 的内容都出现了乱码？解释：因为我文件存储时用的编码格式不是utf-8，而此时读取这两个文件时，使用的是linux操作系统的默认编码“utf-8”。那么写入磁盘时不是用utf-8，读出时却用utf-8，当然读不出来了。（这里需要大家了解encoding的真实作用）

“ 代码二 ”：

#coding=gbk
import sys, locale
s = "小甲"
#coding=gbk
import sys, locale
s = "小甲"
print(s)
print(type(s))
print(sys.getdefaultencoding())
print(locale.getdefaultlocale())
with open("utf2","w",encoding = "utf-8") as f:
f.write(s)
with open("gbk2","w",encoding = "gbk") as f:
f.write(s)
with open("jis2","w",encoding = "shift-jis") as f:
f.write(s)

复制代码

代码结结构一样很简单但是请大家注意：我在头部加了某个编码声明在代码运行前，请大家自行猜测结果~~~“ 代码二 ” 运行结果：

灏忕敳
<class 'str'>
utf-8
('en_US', 'UTF-8')
Traceback (most recent call last):
File "2", line 15, in <module>
f.write(s)
UnicodeEncodeError: 'shift_jis' codec can't encode character '\u704f' in position 0: illegal multibyte sequence

复制代码

问题来了：1、代码中明明 s = “小甲”，为什么变成了 “灏忕敳” ？？2、为什么 jis 的编码失败了？（之前顶多只出现了乱码的问题，还不会报错，那它内部到底发生了什么？）3、“coding=gbk” 到底是什么意思？？4、我明明写了 “coding=gbk” 的编码声明，为什么系统编码、本地默认编码还是没有改变？（那我写了有啥用？）解释一下：以上这么多问题，主要是因为没搞清楚头文件的 “coding=gbk” 编码声明是什么意思！！1、它的意思是python3编译器在读取该.py文件时候，我应该用什么格式将它 “解码”？只和读取有关，所以当你确定你代码编辑时候用的是什么格式编码的，你才能把相应的编码格式写入头文件。（在此示范代码中，我用的是linux的默认编码编辑，也就是utf-8，那么在后面运行的时候，却要求解释器用gbk去解码，自然很过分，就会出现了s=“小甲” 乱码的问题）（大家一定要知道，编码是 “编” 和 “解” 的两个步骤，一定要一一对应才能正确解码！虽然通常我们都叫“编码格式”，这是有一定误导性的。实际上另一半是“解码格式”，要有意识地区分 “编” 和 “解” ，我们不能像网上有些文章一样将这两者混为一谈！！）2、根据上面的解释应该可以明白，写了它之后，并不会更改本地、系统默认编码。（本地默认编码只跟操作系统相关，linux中是utf-8，windows中是gbk。）（系统默认编码实际是有python3和python2的差异的，python3是utf-8，python2是ascii。）3、那么，上面两种编码的作用体现在哪里呢？敲黑板，划重点：系统默认编码指：在python3编译器读取.py文件时，若没有头文件编码声明，则默认使用“utf-8”来对.py文件进行解码。并且在调用 encode()这个函数时，不传参的话默认是“ utf-8 ”。（这与下面的open( )函数中的“encoding”参数要做区分，非常误导人！！！）本地默认编码指：在你编写的python3程序时，若使用了 open( )函数，而不给它传入 “ encoding ” 这个参数，那么会自动使用本地默认编码。没错，如果在Windows系统中，就是默认用gbk格式！！！（这个问题困扰了我好久，不说好了一直默认utf-8到天长地久的嘛，咋换成win后就频频失信呢。所以请大家在这里注意：linux中可以不用传“ encoding” 的参数，而win中不能忘了~~~）4、再来回答一下报错的问题：因为我们的编译器已经用了gbk来解码此.py文件了，所以读取出来的变量 s 已经变成了我们现在看到的“ 灏忕敳 ” 了！那么此时把 s 存到磁盘文件中，实际上存的是乱码后的 “ 灏忕敳 ”。而在日文中，是没有这3个字的，所以自然反馈说 “ 在 position 0 的位置，编码失败了”

现在我们再来分别查看utf2 、gbk2、jis2 这三个文件的内容：

utf2 : 灏忕敳
gbk2 : 小甲
jis2 :

复制代码

（跟你想象中的结果是否一样呢？？嘿嘿嘿~~）
问题：1、为什么我用 “utf-8 ” 去编码存储，后来用linux默认的 “ utf-8 ” 去解码，却出现乱码？2、为什么我用“ gbk ” 去编码存储，后面用linux默认的 “ utf-8 ” 去解码，明明编码、解码格式不一致，却能够正常显示？解释：
1、实际上面两个问题是同一个问题，相信细心的同学已经知道问题出在哪里了，我上文已经说的很清楚了。此时的变量 s 已经变成了“ 灏忕敳 ”，那么utf2这个文本文件自然是显示“灏忕敳”。

2、而“灏忕敳”这三个字符是怎么来的呢？

第1步：小甲（unicode） ---用 "utf-8" 编码---> e5b0 8fe7 94b2 (utf-8编码后的二进制代码)
第2步： e5b0 8fe7 94b2 ---用 “gbk” 解码---> " 灏忕敳 " （unicode）(乱码)
第3步： “ 灏忕敳 ” --- 用 “ gbk ” 编码---> e5b0 8fe7 94b2 ( 第2步的逆向)
第4步： e5b0 8fe7 94b2 ---用 “ utf-8 ” 解码---> 小甲（unicode）

复制代码

我想上述的步骤够清楚了吧 ~ 第3、 4 步就是逆推回去，就变成了正常的 “ 小甲 ” 看懂了这个 “ 编码 ” 和 “ 解码 ” 的过程，你的编码问题已经解决大半了！

“ 代码三 ”：

#coding=shift-jis
import sys, locale
s = "小甲"
print(s)
print(type(s))
print(sys.getdefaultencoding())
print(locale.getdefaultlocale(), "\n\n")
a = s.encode("shift-jis")
print(a)
print(type(a))
b = a.decode("utf-8")
print(b)
print(type(b))
print(a.decode("gbk"))
with open("utf3","w",encoding = "utf-8") as f:
f.write(s)
with open("gbk3","w",encoding = "gbk") as f:
f.write(s)
with open("jis3","w",encoding = "shift-jis") as f:
f.write(s)

复制代码

代码整体结构还是老样子，只不过中间多加了一小段代码，便于解释~“ 代码三 ” 运行结果：

蟆冗抜
<class 'str'>
utf-8
('en_US', 'UTF-8')
b'\xe5\xb0\x8f\xe7\x94\xb2'
<class 'bytes'>
小甲
<class 'str'>
灏忕敳

复制代码

这里可以看到，此时我们的变量 s 已经变成了“ 蟆冗抜 ”（另一个用jis解码造成的乱码）。那么此时，我把 “ 蟆冗抜 ” 用 “ shift-jis ” 解码回去并赋值给变量 a，打印一下，可以看到 a 就是正常显示的 “ 小甲 ”，这也证明了我上面的推断是绝对正确的！！
现在，我们依旧分别查看一下 utf3 、gbk3、jis3 这三个文件的内容：

utf3 : 蟆冗抜
gbk3 : i
jis3 : 小甲

复制代码

（oops~~ 见鬼，又是这么乱七八糟的东西）

这里我澄清一下，实际上utf3这个至少还能有文字，这叫乱码。而gbk3那个东西一团黑是什么鬼，是报错，linux的默认编码无法解码gbk3的文件，所以打印地乱七八糟。
问题：为什么 utf3 的文件是显示乱码，而 gbk3 的文件却是报错呢？？解释：这是因为 utf-8 与 gbk 编码的算法差异。我们最常看到的是utf-8解码报错，因为它是可变长的的编码，有1个字节的英文字符，也有2个字节的阿拉伯文，也有3个字节的中文和日文。gbk对英文是使用单字节编码（也就意味着兼容ascii），而gbk对中文部分是采取定长的2字节，总体编码范围为 8140-FEFE，首字节在 81-FE 之间，尾字节在 40-FE 之间。所以说它只要没有碰到尾字节在40之内的字符，都会一股脑地按照2字节去解码成中文。而中文在 utf-8 编码后，一般是三字节的。当解码的字节数和编码的字节数不匹配时，自然会造成全是乱码的局面。
（此处感谢 “流放的国王” 的指正~~）
而utf-8是有严格定义的，一个字节的字符高位必须是0；三个字节的字符中，第一个字节的高位是1110开头。（相关utf-8的编码算法链接）

至此，代码的示范部分就结束了~~ 码字码得我手酸 ~~~~(>_<)~~~~
最后，
tips：

1、所有文件的编码格式都由你当下使用的编辑器决定的！！在windows中编辑的文本放在浏览器解析显示的时候，有时乱码，有时又正常，这是由于windows中很多文本编辑器默认使用和操作系统一致的编码格式。所以在文本存储前，一定要搞清楚我们用的是utf-8还是gbk！！！而当你使用Python的 open( ) 函数时，是内存中的进程与磁盘的交互，而这个交互过程中的编码格式则是使用操作系统的默认编码（Linux为utf-8，windows为gbk）

2、相信学Python的同学们经常会听到，python3 的默认编码是utf-8。而有的时候，又有人说python3 的默认编码是unicode，那么是不是会有人跟我初学时候一样傻傻分不清楚这两者的关系呢？
实际上unicode就是一个字符集，一个字符与数字一一对应的映射关系，因为它一律以2个字节编码（或者也有4个字节的，这里不讨论），所以占用空间会大一些，一般只用于内存中的编码使用。而 utf-8 是为了实现unicode 的传输和存储的。因为它可变长，存英文时候可以节省大量存储空间。传输时候也节省流量，所以更加 “ international ”~
所以说，上述两种说法没有歧义，进程在内存中的表现是“ unicode ”的编码；当python3编译器读取磁盘上的.py文件时，是默认使用“utf-8”的；当进程中出现open(), write() 这样的存储代码时，需要与磁盘进行存储交互时，则是默认使用操作系统的默认编码。

我也不知道如何才能成为一条 “ 华丽 ” 的分割线~~~

打字、排版、整理思路花了近5个小时，若是这篇文章有帮助到你、有给你带来一些对编码的新灵感，希望可以点个赞。

第一次写文章，只是想得到一点点认可，哈哈哈~~~

比心~

:-D
如果觉得知乎上的排版有点看不清楚，戳这里，阅读原文噢~~

若还有对编码的任何问题，欢迎给我留言！！！

若是我哪里写的不对，也请斧正，咱们一起探讨哦，哈哈哈~~ \@>_<@~

欢迎光临 Crossin的编程教室 (https://bbs.crossincode.com/)