Python2.x 字符编码终极指南

摘要：值得注意的是，有的编码方案不一定能表示某些信息，这时编码就会失败，比如就不能用来表示中文。数组的每一项是一个字节，用来表示。所以对于字符串来说，其长度等于编码后字节的长度。所以，让来编码解码中文，就超出了其能力范围。

在人机交互之字符编码 一文中对字符编码进行了详细的讨论，并通过一些简单的小程序验证了我们对于字符编码的认识。但仅了解这篇文章的内容，并不能帮我们在日常编程中躲过一些字符编码相关的坑，Stackoverflow 上就有大量编码相关的问题，比如 1，2，3。

本文首先尝试对编码、解码进行一个宏观、直观的解读，然后详细来解释 python2 中的str和unicode，并对常见的UnicodeEncodeError 和 UnicodeDecodeError 异常进行剖析。

如何去理解编码、解码？举个例子，Alice同学刚加入了机器学习这门课，想给同班的Bob同学打个招呼。但是作为人，Alice不能通过意念和Bob交流，必须通过某种方式，比如手语、声音、文字等来表达自己的想法。如果Alice选择用文字，那么他可能会写下这么一段文字：My name is： boot …… 来学机器学习喽，写文字这个过程其实就是编码，经过编码后的文字才能给Bob看。Bob收到Alice的文字后，就会用自己对文字的认知来解读Alice传达的含义，这个过程其实就是解码。当然，如果Bob不懂中文，那么就无法理解Alice的最后一句了，如果Bob不识字，就完全不知道Alice想表达什么了。

上面的例子只是为了方便我们理解编码、解码这个抽象的概念，现在来看看对于计算机程序来说，如何去理解字符的编码、解码过程。我们知道绝大多数程序都是读取数据，做一些操作，然后输出数据。比如当我们打开一个文本文件时，就会从硬盘读取文件中的数据，接着我们输入了新的数据，点击保存后，文本程序会将更新后的内容输出到硬盘。程序读取数据就相当于Bob读文字，必须进行一个解码的过程，解码后的数据才能让我们进行各种操作。同理，保存到硬盘时，也需要对数据进行编码。

下图方框 A 代表一个输出数据的程序，方框 B 代表一个读取数据的程序。当然这里的程序只是一个概念，表示一个处理数据的逻辑单元，可以是一个进程、一个函数甚至一个语句等。A 和 B 也可以是同一个程序，先解码外部获取的数据，内部操作后，再进行某种编码。

值得注意的是，有的编码方案不一定能表示某些信息，这时编码就会失败，比如 ASCII 就不能用来表示中文。当然，如果以错误的方式去解读某段内容，解码也会失败，比如用 ASCII 来解读包含 UTF-8的信息。至于什么是 ASCII，UTF-8等，在人机交互之字符编码 中有详细的说明，这里不再赘述。下面结合具体的例子，来看看编码、解码的细节问题。

在程序设计中，字符串一般是指一连串的字符，比如hello world!、你好或者もしもし（日语）等等。各种语言对于字符串的支持各不相同，Python 2 中字符串的设计颇不合理，导致新手经常会出现各种问题，类似下面的提示信息相信很多人都遇到过（UnicodeEncodeError 或者 UnicodeDecodeError）：

Traceback (most recent call last):
  File "", line 1, in 
UnicodeEncodeError: "ascii" codec can"t encode characters in position 0-1: ordinal not in range(128)

下面我们一起来解决这个疑难杂症。首先需要搞清楚python中的两个类型： 和 ，文档中关于这两个类型的说明其实挺含糊的：

There are seven sequence types: strings, Unicode strings, lists, ...
String literals are written in single or double quotes: "xyzzy", "frobozz". Unicode strings are much like strings, but are specified in the syntax using a preceding "u" character: u"abc", u"def".

上面并没有给出什么有用的信息，不过好在这篇文章讲的特别好，简单来说：

str：是字节串（container for bytes），由 Unicode 经过编码(encode)后的字节组成的。

unicode：真正意义上的字符串，其中的每个字符用 Unicode 中对应的 Code Point 表示。

翻译成人话就是，unicode 有点类似于前面 Alice 打招呼传递的想法，而 str 则是写下来的文字（或者是说出来的声音，甚至可以是手语）。我们可以用 GBK，UTF-8 等编码方案将 Unicode 类型转换为 str 类型，类似于用语言、文字或者手语来表达想法。

为了彻底理解字符编码、解码，下面要用 python 交互界面进行一些小实验来加深我们的理解（下面所有的交互代码均在 Linux 平台下）。在这之前，我们先来看下面交互代码：

>>> demo = "Test 试试"
>>> demo
"Test xe8xafx95xe8xafx95"

当我们只输入标识符 demo 时，终端返回了 demo 的内容。这里返回的内容是怎么得到呢？答案是通过 repr() 函数 获得。文档中对于 repr 函数解释如下：

Return a string containing a printable representation of an object.

所以，我们可以在源文件中用下面的代码，来获取和上面终端一样的输出。

#! /usr/bin/env python
# -*- coding: UTF-8 -*-
demo = "Test 试试"
print repr(demo)
# "Test xe8xafx95xe8xafx95"

对于字符串来说，repr() 的返回值很好地说明了其在python内部的表示方式。通过 repr 的返回值，我们可以真切体会到前面提到的两点：

str：实际上是字节串

unicode：真正意义上的字符串

下面分别来看看这两个类型。

unicode 是真正意义上的字符串，为了理解这句话，先看下面的一段代码：

>>> unicode_str = u"Welcome to 广州" # ""前面的 u 表示这是一个 unicode 字符串
>>> unicode_str, type(unicode_str)  # repr(unicode_str)
(u"Welcome to u5e7fu5dde", )

repr 返回的 Welcome to u5e7fu5dde 说明了unicode_str存储的内容，其中两个u后面的数字分别对应了广、州在unicode中的code point：

5e7f 对应广字；

5dde 对应州字；

英文字母也有对应的code point，它的值等于ASCII值，不过repr并没有直接输出。我们可以在站长工具中查看所有字符对应的code point。也可以用 python 的内置函数 ord 查看字符的 code point，如下所示（调用了 format 将code point转换为十六进制）：

>>> "{:04x}".format(ord(u"广"))
"5e7f"
>>> "{:04x}".format(ord(u"W"))
"0057"

总结一下，我们可以将 看作是一系列字符组成的数组，数组的每一项是一个code point，用来表示相应位置的字符。所以对于 unicode 来说，其长度等于它包含的字符（a 和 广 都是一个字符）的数目。

>>> len(unicode_str)
13
>>> unicode_str[0], unicode_str[12], unicode_str[-1]
(u"W", u"u5dde", u"u5dde")

str 是字节串（container for bytes），为了理解这句话，先来看下面的一段代码：

>>> str_str = "Welcome to 广州"       # 这是一个 str
>>> str_str, type(str_str)
("Welcome to xe5xb9xbfxe5xb7x9e", )

python中 xhh（h为16进制数字）表示一个字节，输出中的xe5xb9xbfxe5xb7x9e 就是所谓的字节串，它对应了广州。实际上 str_str 中的英文字母也是保存为字节串的，不过 repr 并没有以 x 的形式返回。为了验证上面输出内容确实是字节串，我们用python提供的 bytearray 函数将相同内容的 unicode字符串用 UTF-8 编码为字节数组，如下所示：

>>> unicode_str = u"Welcome to 广州"
>>> bytearray(unicode_str, "UTF-8")
bytearray(b"Welcome to xe5xb9xbfxe5xb7x9e")
>>> list(bytearray(unicode_str, "UTF-8")) 
# 字节数组，每一项为一个字节；
[87, 101, 108, 99, 111, 109, 101, 32, 116, 111, 32, 229, 185, 191, 229, 183, 158]
>>> print r"x" + r"x".join(["%02x" % c for c in list(bytearray(unicode_str, "UTF-8"))])
# 转换为 xhh 的形式
x57x65x6cx63x6fx6dx65x20x74x6fx20xe5xb9xbfxe5xb7x9e

可见，上面的 str_str 是 unicode_str 经过 UTF-8 编码 后的字节串。这里透漏了一个十分重要的信息，类型隐含有某种编码方式，正是这种隐式编码（implicit encoding）的存在导致了许多问题的出现（后面详细说明）。值得注意的是，str类型字节串的隐式编码不一定都是"UTF-8"，前面示例程序都是在 OS X 平台下的终端，所以隐式编码是 UTF-8。对于 Windows 而言，如果语言设置为简体中文，那么交互界面输出如下：

# Win 平台下，系统语言为简体中文
>>> str_str = "Welcome to 广州"   
>>> str_str, type(str_str)
("Welcome to xb9xe3xd6xdd", )

这里str_str的隐式编码是cp936，可以用 bytearray(unicode_str, "cp936") 来验证这点。终端下，str类型的隐式编码由系统 locale 决定，可以采用下面方式查看：

# Unix or Linux
>>> import locale
>>> locale.getdefaultlocale()       
("zh_CN", "UTF-8")
...
# 简体中文 Windows
>>> locale.getdefaultlocale()       
("zh_CN", "cp936")

总结一下，我们可以将 看作是unicode字符串经过某种编码后的字节组成的数组。数组的每一项是一个字节，用 xhh 来表示。所以对于 str 字符串来说，其长度等于编码后字节的长度。

>>> len(str_str)
17
>>> str_str[0], str_str[-1]
("W", "x9e")       # 实际上是("x57", "x9e") 

Python 2.x 中为上面两种类型的字符串都提供了 encode 和 decode 方法，原型如下：

str.decode([encoding[, errors]])  
str.encode([encoding[, errors]])

利用上面的两个函数，可以实现 str 和 unicode 类型之间的相互转换，如下图所示：

上图中绿色线段标示的即为我们常用的转换方法，红色标示的转换在 python 2.x 中是合法的，不过没有什么意义，通常会抛出错误（可以参见 What is the difference between encode/decode?）。下面是两种类型之间的转换示例：

# decode：  到 的转换
>>> enc = str_str.decode("utf-8")
>>> enc, type(enc)
(u"Welcome to u5e7fu5dde", )

# encode：  到  的转换
>>> dec = unicode_str.encode("utf-8")
>>> dec, type(dec)
("Welcome to xe5xb9xbfxe5xb7x9e", )

上面代码中通过encode将unicode类型编码为str类型，通过 decode 将str类型解码为unicode类型。当然，编码、解码的过程并不总是一帆风顺的，通常会出现各种错误。

Python 中经常会遇到 UnicodeEncodeError 和 UnicodeDecodeError，怎么产生的呢？ 如下代码所示：

>>> u"Hello 广州".encode("ascii")
Traceback (most recent call last):
  File "", line 1, in 
UnicodeEncodeError: "ascii" codec can"t encode characters in position 6-7: ordinal not in range(128)

>>> "Hello 广州".decode("ascii")
Traceback (most recent call last):
  File "", line 1, in 
UnicodeDecodeError: "ascii" codec can"t decode byte 0xe5 in position 6: ordinal not in range(128)

当我们用 ascii 去编码带有中文的unicode字符串时，发生了UnicodeEncodeError，当我们用 ascii 去解码有中文的str字节串时，发生了UnicodeDecodeError。我们知道，ascii 只包含 127 个字符，根本无法表示中文。所以，让 ascii 来编码、解码中文，就超出了其能力范围。这就像你对一个不懂中文的老外说中文，他根本没法听懂。简单来说，所有的编码、解码错误都是由于所选的编码、解码方式无法表示某些字符造成的。

有时候我们就是想用 ascii 去编码一段夹杂中文的str字节串，并不希望抛出异常。那么可以通过 errors 参数来指定当无法编码某个字符时的处理方式，常用的处理方式有 "strict"，"ignore"和"replace"。改动后的程序如下：

>>> u"Hello 广州".encode("ascii", "replace")
"Hello ??"
>>> u"Hello 广州".encode("ascii", "ignore")
"Hello "

str和unicode类型都可以用来表示字符串，为了方便它们之间进行操作，python并不要求在操作之前统一类型，所以下面的代码是合法的，并且能得到正确的输出：

>>> new_str = u"Welcome to " + "GuangZhou"
>>> new_str, type(new_str)
(u"Welcome to GuangZhou", )

因为str类型是隐含有某种编码方式的字节码，所以python内部将其解码为unicode后，再和unicode类型进行 + 操作，最后返回的结果也是unicode类型。

第2步的解码过程是在幕后悄悄发生的，默认采用ascii来进行解码，可以通过 sys.getdefaultencoding() 来获取默认编码方式。Python 之所以采用 ascii，是因为 ascii 是最早的编码方式，是许多编码方式的子集。

不过正是这个不可见的解码过程，有时候会导致出乎意料的解码错误，考虑下面的代码：

>>> u"Welcome to" + "广州"
Traceback (most recent call last):
  File "", line 1, in 
UnicodeDecodeError: "ascii" codec can"t decode byte 0xe5 in position 0: ordinal not in range(128)

上面在字符串的+操作时，python 偷偷对"广州"用 ascii 做解码操作，所以抛出了UnicodeDecodeError异常。其实上面操作等同于 u"Welcome to" + "广州".decode("ascii") ，你会发现这句代码抛出的异常和上面的一模一样。

Python 不只偷偷地用 ascii 来解码str类型的字节串，有时还会偷偷用ascii来编码unicode类型。如果函数或类等对象接收的是 str 类型的字符串，但传进去的是unicode，python2 就会使用 ascii 将其编码成str类型再做运算。

以raw_input为例，我们可以给 raw_input 函数提供 prompt 参数，作为输入提示内容。这里如果 prompt 是 unicode 类型，python会先用ascii对其进行编码，所以下面代码会抛出UnicodeEncodeError异常：

>>> a = raw_input(u"请输入内容: ")
Traceback (most recent call last):
  File "", line 1, in 
UnicodeEncodeError: "ascii" codec can"t encode characters in position 0-4: ordinal not in range(128)

上面操作完全等同于 a = raw_input(u"请输入内容: ".encode("ascii"))，你会发现它们抛出的异常完全一样。此外，如果尝试将unicode字符串重定向输出到文本中，也可能会抛出UnicodeEncodeError异常。

$ cat a.py
demo = u"Test 试试"
print demo
$ python a.py > output
Traceback (most recent call last):
  File "a.py", line 5, in 
    print demo
UnicodeEncodeError: "ascii" codec can"t encode characters in position 5-6: ordinal not in range(128)

当然，如果直接在终端进行输出，则不会抛出异常。因为python会使用控制台的默认编码，而不是 ascii。

总结下本文的内容：

str可以看作是unicode字符串经过某种编码后的字节组成的数组

unicode是真正意义上的字符串

通过 encode 可以将unicode类型编码为str类型

通过 decode 可以将str类型解码为unicode类型

python 会隐式地进行编码、解码，默认采用 ascii

所有的编码、解码错误都是由于所选的编码、解码方式无法表示某些字符造成的

如果你明白了上面每句话的含义，那么应该能解决大部分编、解码引起的问题了。当然，本篇文章其实并不能帮你完全避免python编码中的坑（坑太多）。还有许多问题在这里并没有说明：

读取、写入文件时的编码问题：

数据库的读写

网络数据操作

源文件编码格式的指定

有空再详细谈谈上面列出的坑。

本文由selfboot 发表于个人博客，采用署名-非商业性使用-相同方式共享 3.0 中国大陆许可协议。
非商业转载请注明作者及出处。商业转载请联系作者本人
本文标题为：Python2.x 字符编码终极指南
本文链接为：http://selfboot.cn/2016/12/28...

Pragmatic Unicode
Unicode In Python, Completely Demystified
Solving Unicode Problems in Python 2.7
Unicode HOWTO
Wiki：PrintFails
Unicode and Character Sets
What is the purpose of __str__ and __repr__ in Python?
What does a leading x mean in a Python string xaa

Python: 熟悉又陌生的字符编码
PYTHON-进阶-编码处理小结
五分钟战胜 Python 字符编码
python 字符编码与解码