python3中的字符编码问题

栏目: Python · 发布时间: 5年前

内容简介：如果说在python2中处理字符编码很蛋疼的话，如果幻想着python3不那么蛋疼，那么我只想说，你想多了，好不容易在python2中把字符编码的问题捣腾清楚了，但是换成python3，它会将之前的体系重新构建，使得之前的知识体系不能很好的运用，只能重新来构建。感觉是从一个坑跳到了另外一个坑，下面来看看这个令人头疼的python编码问题。python2中将ASCII 码作为默认编码方式，对中文处理很不友好。关于 GBK 和 UTF-8，概念性的东西就不解释了，网上一搜便知，这里主要是来说明一下，将一个 GB

如果说在 python 2中处理字符编码很蛋疼的话，如果幻想着python3不那么蛋疼，那么我只想说，你想多了，好不容易在python2中把字符编码的问题捣腾清楚了，但是换成python3，它会将之前的体系重新构建，使得之前的知识体系不能很好的运用，只能重新来构建。感觉是从一个坑跳到了另外一个坑，下面来看看这个令人头疼的python编码问题。

python2中的编码处理

python2中将ASCII 码作为默认编码方式，对中文处理很不友好。

>>> import sys
>>> sys.getdefaultencoding()
'ascii'

关于 GBK 和 UTF-8，概念性的东西就不解释了，网上一搜便知，这里主要是来说明一下，将一个 GBK 编码的字符串转换成 UTF-8 编码，只需要通过 Unicode 来转换

>>> s = '杨'
>>> s
'\xd1\xee'
>>> type(s)
<class 'str'>
>>> print s
杨
>>> su = s.decode('gbk')
>>> su
u'\u6768'
>>> sutf8 = su.encode('utf-8')
>>> sutf8
'\xe6\x9d\xa8'
>>> print sutf8
鏉?

其实就是将 unicode 作为一个中转站，将各种编码转换(decode)成unicode 使用 s.decode(chaset) ，然后再将unicode编码的字符串转换(encode)成想要的编码 s.encode(chaset) 。

其实这么看在python2中的字符编码问题也不是很复杂，主要是要弄清楚字符串本身是什么编码即可。有一个库可以检测字符编码， chardet ，使用 chardet.detect(str) 来检查字符串编码，注意，它这里给出的只能做为参考，并不能很准确的给出编码，所以他的返回值中会有一个 confidence 的值，如果值是1.0，说明它100%的肯定是这个编码。

python3中的编码处理

再来看看python3的编码处理，python3中将unicode合并成了str，已经没有unicode这种类型了。

>>> s = '杨'
>>> type(s)
<class 'str'>
>>> su = u'杨'
>>> type(su)
<class 'str'>
>>> s
'杨'
>>> su
'杨'

可以看出它们都是 str 类型。

那么如何在python3中将一个GBKx编码的字符串转成utf-8呢？

python3中有一种全新的数据类型 bytes ，它表示二进制字节数据，初始化是在字符前加 b ,bytes 类型可以是 ASCII范围内的字符和其它十六进制形式的字符数据，但不能用中文等非ASCII字符表示。

>>> b = b'a'
>>> b
b'a'
>>> type(b)
<class 'bytes'>
>>> a = 'a'
>>> type(a)
<class 'str'>
>>> b = b'杨彦星'
  File "<stdin>", line 1
SyntaxError: bytes can only contain ASCII literal characters.

虽然在python3中不能直接的以 b = b'杨彦星' 来初始化bytes，但是却可以用在python2中得到的十六进制表示来初始化

在python2中

>>> '杨彦星'
'\xd1\xee\xd1\xe5\xd0\xc7'
>>>

在python3中

>>> s = b'\xd1\xee\xd1\xe5\xd0\xc7'
>>> print(s)
b'\xd1\xee\xd1\xe5\xd0\xc7'
>>> type(s)
<class 'bytes'>
>>> ss = s.decode('gbk')
>>> ss
'杨彦星'
>>> type(ss)
<class 'str'>
>>>

熟悉的中文又出现了，有了str 那么就可以将其转换成对应的编码了

>>> ss.encode('utf-8')
b'\xe6\x9d\xa8\xe5\xbd\xa6\xe6\x98\x9f'

依然不知道它显示的是个啥，但是你可以明确的知道，它在python3里就是 杨彦星 这个字符串的utf-8编码

>>> s8 = b'\xe6\x9d\xa8\xe5\xbd\xa6\xe6\x98\x9f'
>>> s8.decode('utf-8')
'杨彦星'

最后使用代码做个总结

str = '杨彦星'
str_utf8 = str.encode('UTF-8')
str_gbk = str.encode('GBK')
print(str)
print('str 对象类型：', type(str))
print('\r')
print('UTF-8 编码：', str_utf8)
print('str_utf-8 对象类型：', type(str_utf8))
print('\r')
print('GBK 编码：  ', str_gbk)
print('str_gbk 对象类型：', type(str_gbk))
print('\r')
print('UTF-8 解码：', str_utf8.decode('UTF-8', 'strict'))
print('GBK 解码：  ', str_gbk.decode('GBK', 'strict'))

结果如下

杨彦星
str 对象类型： <class 'str'>

UTF-8 编码： b'\xe6\x9d\xa8\xe5\xbd\xa6\xe6\x98\x9f'
str_utf-8 对象类型： <class 'bytes'>

GBK 编码：   b'\xd1\xee\xd1\xe5\xd0\xc7'
str_gbk 对象类型： <class 'bytes'>

UTF-8 解码： 杨彦星
GBK 解码：   杨彦星

以上所述就是小编给大家介绍的《python3中的字符编码问题》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对码农网的支持！