概述

在使用Python或者其他的編程語言，都會多多少少遇到編碼錯誤，處理起來非常痛苦。在Stack Overflow和其他的編程問答網(wǎng)站上，UnicodeDecodeError和UnicodeEncodeError也經(jīng)常被提及。本篇教程希望能幫你認識Python編碼，并能夠從容的處理編碼問題。

本教程提到的編碼知識并不限定在Python，其他語言也大同小異，但我們依然會以Python為主，來演示和講解編碼知識。

通過該教程，你將學(xué)習(xí)到如下的知識:

• 獲取有關(guān)字符編碼和數(shù)字系統(tǒng)的概念
• 理解編碼如何使用Python的str和bytes
• 通過int函數(shù)了解Python對數(shù)字系統(tǒng)的支持
• 熟悉Python字符編碼和數(shù)字系統(tǒng)相關(guān)的內(nèi)置函數(shù)

什么是字符編碼

現(xiàn)在的編碼規(guī)則已經(jīng)有好多了，最簡單、最基本是的ASCII編碼，只要是你學(xué)過計算機相關(guān)的課程，你就應(yīng)該多少了解一點ASCII編碼，他是最小也是最適合了解字符編碼原理的編碼規(guī)則。具體如下：

• 小寫英文字符：a-z
• 大寫英文字符：A-Z
• 符號: 比如 $和!
• 空白符：回車、換行、空格等
• 一些不可打印的字符: 比如b等

那么，字符編碼的定義到底是什么了？它是一種將字符（如字母，標(biāo)點符號，符號，空格和控制字符）轉(zhuǎn)換為整數(shù)并最終轉(zhuǎn)換為bit進行存儲的方法。 每個字符都可以編碼為唯一的bit序列。 如果你對bit的概念不了解，請不要擔(dān)心，我們后面會介紹。

ASCII碼的字符被分為如下幾組：

ASCII表一共包括128個字符，如果你想了解整個ASCII表，這里有

Python string模塊

string模塊是python里處理字符串很方便的模塊，它包括了整個ASCII字符，讓我們來看看部分string模塊源碼：

          
            # 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"""!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~"""
printable = digits + ascii_letters + punctuation + whitespace
          
        

你可以在Python中這樣使用string模塊：

          
            >>> import string

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

什么是bit

學(xué)過計算機相關(guān)課程的同學(xué)，應(yīng)該都知道，bit是計算機內(nèi)部存儲單位，只有0和1兩個狀態(tài)(二進制)，我們上面所說的ASCII表，都是一個10進制的數(shù)字表示一個字符，而這個10進制數(shù)字，最終會轉(zhuǎn)換成0和1，存儲在計算機內(nèi)部。例如(第一列是10進制數(shù)字，第二列是二進制，第三列是計算機內(nèi)部存儲結(jié)果):

這是一種在Python中將ASCII字符串表示為位序列的方便方法。 ASCII字符串中的每個字符都被偽編碼為8位，8位序列之間有空格，每個字符代表一個字符：

          
            >>> 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'
          
        

我們也可以是用python的f-string 來格式化，比如f"{ord(i):08b}"：

• 冒號的左側(cè)是ord（i），它是實際的對象，其值將被格式化并插入到輸出中。 使用ord（）為單個str字符提供了base-10代碼點。
• 冒號的右側(cè)是格式說明符。 08表示寬度為8,0填充，b用作在基數(shù)2（二進制）中輸出結(jié)果數(shù)的符號。

ASCII編碼不夠用了

ASCII采用的是8bit來存儲字符(只使用7位，剩下的1位二進制為0)，所以，ASCII最多存儲128個字符，這有個簡單的公式，計算存儲字符的bit數(shù)量與存儲字符總數(shù)的關(guān)系：2的n次方，n表示bit數(shù)量。例如：

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

我們可以寫個簡單的代碼，來計算一下，指定字符數(shù)量，至少需要多少bit來存儲：

          
            >>> from math import ceil, log

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

>>> n_bits_required(256)
8
          
        

數(shù)字系統(tǒng)

在上面的ASCII討論中，您看到每個字符映射到0到127范圍內(nèi)的整數(shù)。但在CPython中還有其他的數(shù)字系統(tǒng)，通過其他方式是表示數(shù)字。除了十進制外，python還支持以下幾個方式：

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

你可能要問，為什么有了十進制，還要支持這么多其他進制的數(shù)字了？這個取決你的業(yè)務(wù)場景和操作系統(tǒng)，在Python里，把str轉(zhuǎn)換成int，默認是10進制的。

          
            >>> 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
          
        

你可以在賦值時，直接告訴解釋器數(shù)字的類型，不同進制標(biāo)表示方法如下：

類型	前綴	示例
n/a	n/a	11
二進制	0b 或者 0B	0b11
八進制	0o 或者 0O	0o11
十六進制	0x 或者 0X	0x11

          
            >>> 11
11
>>> 0b11  # 二進制
3
>>> 0o11  # 八進制
9
>>> 0x11  # 16進制
17
          
        

深入Unicode

正如您所看到的，ASCII的問題在于它不是一個足夠大的字符集來容納世界上的語言，方言，符號和字形。 （這對于英語來說甚至都不夠大。）Unicode從根本上起到與ASCII相同的作用，但是Unicode擁有更大的存儲空間，具有1,114,112個可能的字符，能夠完全包含世界上所有的語言。事實上，ASCII是Unicode的完美子集。 Unicode表中的前128個字符與您合理期望的ASCII字符完全對應(yīng)。

Unicode本身不是編碼，但是有很多遵循Unicode編碼規(guī)范編碼，后面講到的UTF-8就是其中一個。

Unicode vs UTF-8

Unicode是一種抽象編碼標(biāo)準(zhǔn)，而不是編碼。這就是UTF-8和其他編碼方案發(fā)揮作用的地方。 Unicode標(biāo)準(zhǔn)（字符到代碼點的映射）從其單個字符集定義了幾種不同的編碼。UTF-8及其較少使用的表兄弟UTF-16和UTF-32是用于將Unicode字符表示為每個字符一個或多個字節(jié)的二進制數(shù)據(jù)的編碼格式。我們稍后將討論UTF-16和UTF-32，但到目前為止，UTF-8占據(jù)了最大份額。

Python 3里的編碼與解碼

Python 3的str類型用于表示人類可讀的文本，可以包含任何Unicode字符。

相反，字節(jié)類型表示二進制數(shù)據(jù)或原始字節(jié)序列，它們本質(zhì)上沒有附加編碼。

編碼和解碼是從一個到另一個的過程：

decode 和 encode 函數(shù)，默認編碼是utf-8:

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

str.encode（）的結(jié)果是一個bytes對象，bytes對象只允許ASCII字符。這就是為什么在調(diào)用“ElNi?o”.encode（“utf-8”）時，允許ASCII兼容的“El”按原樣表示，但帶有波浪號的n被轉(zhuǎn)義為“ xc3 xb1”。 這個看起來很亂的序列代表兩個字節(jié)，十六進制為0xc3和0xb1：

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

Python3一切字符皆Unicode

• 默認情況下，Python 3源代碼假定為UTF-8。 這意味著您不需要＃ - - 編碼：UTF-8 - - 位于Python 3中.py文件的頂部。
• 默認情況下，所有文本（str）都是Unicode。 編碼的Unicode文本表示為二進制數(shù)據(jù)（字節(jié)）。 str類型可以包含任何文字Unicode字符，例如“Δv/Δt”，所有這些字符都將存儲為Unicode。
• Unicode字符集中的任何內(nèi)容都是標(biāo)識符中的猶太符號，這意味著résumé=“?/ Documents / resume.pdf”是有效的，雖然這看起來很花哨。
• Python的re模塊默認為re.UNICODE標(biāo)志而不是re.ASCII。 這意味著，例如，r“ w”匹配Unicode字符，而不僅僅是ASCII字母。
• str.encode（）和bytes.decode（）中的默認編碼是UTF-8。

還有一個更細微的屬性，即內(nèi)置的open（）的默認編碼是依賴于平臺的，并且取決于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'
          
        

一個關(guān)鍵特性是UTF-8是一種可變長度編碼。回想一下關(guān)于ASCII的部分。 擴展ASCII-land中的所有內(nèi)容最多需要一個字節(jié)的空間。 您可以使用以下生成器表達式快速證明這一點：

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

UTF-8完全不同。 給定的Unicode字符可以占用1到4個字節(jié)。 以下是占用四個字節(jié)的單個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]
          
        

這是len（）的一個微妙但重要的特性：

• 作為Python str的單個Unicode字符的長度始終為1，無論它占用多少字節(jié)。
• 編碼為字節(jié)的相同字符的長度將介于1和4之間。

UTF-16和UTF-32

我們來聊聊UTF-16和UTF-32，在實際的編程實踐中，它們和UTF-8區(qū)別還是很重要的，下面的通過實例我們來看看具體區(qū)別：

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

在這種情況下，使用UTF-8編碼四個希臘字母然后解碼回UTF-16中的文本將產(chǎn)生一個完全不同語言（韓語）的文本str。
此表匯總了UTF-8，UTF-16和UTF-32下的字節(jié)范圍或字節(jié)數(shù)：

編碼	長度(字節(jié))	是否可變
UTF-8	1~4	是
UTF-16	2~4	是
UTF-32	4	否

UTF系列編碼另外一個需要注意的地方是，UTF-8編碼占用存儲空間不一定比UTF-16少，因為他們都不是固定長度的。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（十進制的2048到65535）范圍內(nèi)的代碼點占用了UTF-8中的三個字節(jié)，而UTF-16中僅占用了兩個字節(jié)。
正常情況下，最好不用使用UTF-16，除非特殊要求，不然UTF-8更加通用。

Python內(nèi)建函數(shù)

Python內(nèi)置了很多與編碼相關(guān)的函數(shù)：

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

可以分成以下幾組:

• ascii()，bin()，hex()和oct(), 第一個是ascii()，它生成一個僅對象的ASCII表示，其中非ASCII字符被轉(zhuǎn)義。 其余三個分別給出整數(shù)的二進制，十六進制和八進制表示。
• bytes()，str()和int()是各自類型，bytes，str和int的類構(gòu)造函數(shù)。 它們各自提供了將輸入強制轉(zhuǎn)換為所需類型的方法。 例如，如前所述，雖然int(11.0)可能更常見，但您可能也會看到int('11'，base = 16)。
• ord()和chr()，ord()將str字符轉(zhuǎn)換為10進制，而chr()執(zhí)行相反的操作。

Python中的其他編碼

目前，我們講了4中編碼：

• ASCII
• UTF-8
• UTF-16
• UTF-32

還有其他很多編碼，比如Latin-1(也稱作ISO-8859-1)，這是HTTP默認的編碼，然而windows是Latin-1變體，稱作cp1252。
完整的已接受編碼列表隱藏在編解碼器模塊的文檔中，該模塊是Python標(biāo)準(zhǔn)庫的一部分。

還有一個有用的公認編碼需要注意，即“unicode-escape”。 如果您有一個已解碼的str并希望快速獲得其轉(zhuǎn)義的Unicode文字的表示，那么您可以在.encode（）中指定此編碼：

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

注意外部數(shù)據(jù)編碼

雖然Python代碼默認使用了UTF-8作為編碼，但并不意味著外部輸入的數(shù)據(jù)也是UTF-8編碼的，如果這些外部的數(shù)據(jù)沒有指定編碼，那么在處理他們是，你就要格外小心了。比如你調(diào)用API獲取數(shù)據(jù)，正常是用UTF-8去解碼，沒有問題，但如果突然API給你返回這樣的數(shù)據(jù):

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

這地方拋出了UnicodeDecodeError錯誤，仔細檢查，發(fā)現(xiàn)其實數(shù)據(jù)的編碼是Latin-1。

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

如果你對字符串的編碼不確定，可以使用chardet庫來檢查字符串編碼。

總結(jié)

在本文中你已經(jīng)了解了編碼的詳細原理，相信你在以后的編程過程中，再遇到編碼錯誤，相信你能比較從容的解決了。

翻譯自:原文地址
點擊獲取我的更多文章
關(guān)注我，獲取更多文章。