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 ”:
  1. import sys, locale
  2. s = "小甲"
  3. print(s)
  4. print(type(s))
  5. print(sys.getdefaultencoding())
  6. print(locale.getdefaultlocale())
  7. with open("utf1","w",encoding = "utf-8") as f:
  8.     f.write(s)
  9. with open("gbk1","w",encoding = "gbk") as f:
  10.     f.write(s)
  11. with open("jis1","w",encoding = "shift-jis") as f:
  12.     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:
  1. 小甲
  2. <class 'str'>
  3. utf-8
  4. ('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:
  1. utf1 : 小甲
  2. gbk1 : С
  3. 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 ”:
  1. #coding=gbk
  2. import sys, locale
  3. s = "小甲"
  4. #coding=gbk
  5. import sys, locale
  6. s = "小甲"
  7. print(s)
  8. print(type(s))
  9. print(sys.getdefaultencoding())
  10. print(locale.getdefaultlocale())
  11. with open("utf2","w",encoding = "utf-8") as f:
  12.     f.write(s)
  13. with open("gbk2","w",encoding = "gbk") as f:
  14.     f.write(s)
  15. with open("jis2","w",encoding = "shift-jis") as f:
  16.     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 :
  1. 灏忕敳
  2. <class 'str'>
  3. utf-8
  4. ('en_US', 'UTF-8')
  5. Traceback (most recent call last):
  6.   File "2", line 15, in <module>
  7.     f.write(s)
  8. 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:
  1. utf2 : 灏忕敳
  2. gbk2 : 小甲
  3. 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?
  1. 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)
  2. 第2步:  e5b0 8fe7 94b2   ---用 “gbk” 解码--->     " 灏忕敳 " (unicode)(乱码)
  3. 第3步:  “ 灏忕敳 ”     --- 用 “ gbk ” 编码--->     e5b0 8fe7 94b2 ( 第2步的逆向)
  4. 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 ”:
  1. #coding=shift-jis
  2. import sys, locale
  3. s = "小甲"
  4. print(s)
  5. print(type(s))
  6. print(sys.getdefaultencoding())
  7. print(locale.getdefaultlocale(), "\n\n")
  8. a = s.encode("shift-jis")
  9. print(a)
  10. print(type(a))
  11. b = a.decode("utf-8")
  12. print(b)
  13. print(type(b))
  14. print(a.decode("gbk"))
  15. with open("utf3","w",encoding = "utf-8") as f:
  16.     f.write(s)
  17. with open("gbk3","w",encoding = "gbk") as f:
  18.     f.write(s)
  19. with open("jis3","w",encoding = "shift-jis") as f:
  20.     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 :
  1. 蟆冗抜
  2. <class 'str'>
  3. utf-8
  4. ('en_US', 'UTF-8')
  5. b'\xe5\xb0\x8f\xe7\x94\xb2'
  6. <class 'bytes'>
  7. 小甲
  8. <class 'str'>
  9. 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:
  1. utf3 : 蟆冗抜
  2. gbk3 : i
  3. 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/) Powered by Discuz! X2.5