一文了解py2/py3编码问题

一文了解py2/py3编码问题

无论是py2还是py3,都使用unicode作为内存编码,简称内码。保存在python解释器内存中的文本,输出到屏幕、编辑器,或者保存成文件的时候,都要将内码转换成utf8或者gbk等编码格式;同样,python解释器从输入设备接收文本,或者从文件读取文本的时候,都要将utf8或者gbk等编码转换成unicode编码格式。

因此,无论是py2还是py3,想要在unicode、utf8、gbk等编码格式之间转换的话,下图是通用的:一文了解py2/py3编码问题

我们之所以会产生困惑,是因为py2和py3给这些编码格式指定了令人困惑的名字。

py2的字符串有两种类型:unicode类型和str类型。

py2的unicode类型就是unicode编码,py2的str类型泛指除unicode编码之外的所有编码,包括ascii编码、utf8编码、gbk编码、cp936编码等。

py3的字符串也有两种类型:bytes类型和str类型。py3的str类型就是unicode编码,py3的bytes类型泛指除unicode编码之外的所有编码,包括ascii编码、utf8编码、gbk编码、cp936编码等。

同样是str类型,在py2和py3中完全颠倒了!下图稍微补充了一点内容,更有助于理解编码问题。

一文了解py2/py3编码问题

接下来,我们实战演练一下。

>>>s='abc天圆地方'
>>>type(s)
<class'str'>
>>>len(s)
7
>>>s
'abc天圆地方'
>>>print(s)
abc天圆地方
>>>s.encode('unicode-escape')
b'abc\\u5929\\u5706\\u5730\\u65b9'

不管是否在字符串前面加了u,只要不在字符串前面使用b,在IDLE中定义的字符串都是unicode编码,也就是py3的<class ‘str’>,其长度就是字符数量,不是字节数。我们把unicode字符串’abc天圆地方’转成utf8编码:

>>>s_utf8=s.encode('utf8')
>>>type(s_utf8)
<class'bytes'>
>>>len(s_utf8)
15
>>>s_utf8
b'abc\xe5\xa4\xa9\xe5\x9c\x86\xe5\x9c\xb0\xe6\x96\xb9'
>>>print(s_utf8)
b'abc\xe5\xa4\xa9\xe5\x9c\x86\xe5\x9c\xb0\xe6\x96\xb9'
>>>s_utf8.decode('utf8')
'abc天圆地方'

utf8编码就是bytes类型(字节码),长度就是字节数量。我们把unicode字符串’abc天圆地方’转成gbk编码:

>>>s_gbk=s.encode('gbk')
>>>type(s_gbk)
<class'bytes'>
>>>len(s_gbk)
11
>>>s_gbk
b'abc\xcc\xec\xd4\xb2\xb5\xd8\xb7\xbd'
>>>print(s_gbk)
b'abc\xcc\xec\xd4\xb2\xb5\xd8\xb7\xbd'
>>>s_gbk.decode('s_gbk')
'abc天圆地方'

gbk编码也是bytes类型(字节码),长度也是字节数量。我们再来看看,不同编码的字节码能否连接:

>>>ss=s_utf8+s_gbk
>>>ss
b'abc\xe5\xa4\xa9\xe5\x9c\x86\xe5\x9c\xb0\xe6\x96\xb9abc\xcc\xec\xd4\xb2\xb5\xd8\xb7\xbd'
>>>ss.decode('utf8')
Traceback(mostrecentcalllast):
File"<pyshell#64>",line1,in<module>
ss.decode('utf8')
UnicodeDecodeError:'utf-8'codeccan'tdecodebyte0xccinposition18:invalidcontinuationbyte
>>>ss.decode('gbk')
'abc澶╁渾鍦版柟abc天圆地方'
>>>ss.decode('utf8','ignore')
'abc天圆地方abcԲط'
>>>ss.decode('gbk','ignore')
'abc澶╁渾鍦版柟abc天圆地方'

看以看出,不同编码的字节码可以连接,但一般不能解码成unicode(字符串),除非使用ignore参数。