解决Python2.x编码之殇

Python编码问题一直困扰了我许久，之前有过一些总结，但并不系统，比较凌乱。当然python2.x编码问题本身，便是剪不断理还乱。本篇将系统介绍python2.x编程中会遇到的一些编码问题，并给出解决方案。基于对编码问题的摸索了解，我也尝试写了一个编码转换模块

Transcode

，应该能解决绝大部分新手的疑难杂症。当然，python大神可以绕道而行，至于使用3.x的朋友，以后将会成文介绍。

　　python编程中会经常遇到操作系统编码、文件编码、控制台输入输出编码、网页编码、源代码编码、python编码，本文将会逐一介绍。首先我们来看看一些常见的编码情况：

print sys.getdefaultencoding()    #系统默认编码
print sys.getfilesystemencoding() #文件系统编码
print locale.getdefaultlocale()   #系统当前编码
print sys.stdin.encoding          #终端输入编码
print sys.stdout.encoding         #终端输出编码

将以上这段代码在windows与linux系统下分别运行，查看输出结果。
windows终端结果:

ascii
mbcs
('zh_CN', 'cp936')
cp936
cp936

Linux终端结果：

ascii
UTF-8
('zh_CN', 'UTF-8')
UTF-8
UTF-8

操作系统编码

　　操作系统默认编码可以通过sys.getdefaultencoding()函数获取，可以看到windows与linux下默认都为ascii编码，而我们知道ascii编码不支持中文。那么操作系统编码将在python程序的何处会被用到呢？何时又会引发血案？

触发异常点

　　经过测试，我发现当需要将unicode格式的字符串存入到文件时，python内部会默认将其先转换为Str格式的系统编码，然后再执行存入步骤。而在这过程中，容易引发ascii异常。
实例证明：

#! -*- coding:utf-8 -*-
a=u"中文"
f=open("test.txt","w")
f.write(a)

报错异常信息：UnicodeEncodeError: ‘ascii’ codec can’t encode characters in position 0-1……
说明：因为ascii不支持中文，而变量a为unicode格式的中文字符串，因此无法进行编码而引发异常。

解决方案

设置系统编码为utf-8或者gbk。

import sys
reload(sys)
sys.setdefaultencoding('gbk')

说明：在windows下将其设置为gbk，在linux在设置为utf-8.

终端编码

　　windows下终端指的是控制台，在控制台上输入输出有着其本身的编码格式，如windows控制台输入输出编码都为cp936。原谅我是第一次看到此编码，于是上网查了会，发现其实它就是常见的GBK编码；而linux终端的输入输出编码都为utf-8。如果我们编写的程序，不会再终端输入输出任何内容，则可以忽略此编码，如若不然终端编码将会非常重要。

乱码点

我们在终端执行python脚本时，经常会遇到输出中文乱码，而这往往是因为输出的字符串本身编码与控制台编码不一致。
实例证明：

#! -*- coding:utf-8 -*-
a="中文"  #定义一个变量，默认为Str，utf-8编码
print a
print type(a)

windows控制台输出结果：

浣犲ソ
<type 'str'>

linux终端输出结果：

中文
<type 'str'>

造成这种差异的原因在于windows控制台为gbk编码，而变量a本身为utf-8编码。

解决方案

#! -*- coding:utf-8 -*-
a='你好'
b=a.decode("utf-8").encode("gbk")
print b

将变量a从utf-8编码转换为gbk编码。

python编码

　　python2.x从外部获取的内容都是string编码，其内部分为String编码与Unicode编码，而String编码又分为UTF-8，GBK，GB2312等等。因此为了避免不同编码造成的报错，python内部最好都转化为unicode编码，在输出时再转化为str编码 。可以用encode()/decode()函数，将string与unicode编码互换。

触发异常点

基本在于python内部变量编码与控制台编码，或者其他编码相结合时触发。
实例证明：

#! -*- coding:utf-8 -*-
a="中文"  #定义一个变量，默认为str，utf-8编码
print a
print type(a)

运行结果：

浣犲ソ
<type 'str'>

　　说明：windows下控制台输入输出都是gbk编码格式，而代码中定义的变量a为str，utf-8格式，所以会出现乱码。如果想创建一个unicode编码字符串的变量，则可以a=u”123”，在双引号前面加上一个u，表示a为unicode编码。

解决方案

#! -*- coding:utf-8 -*-
a='你好'
print a.decode("utf-8").encode("gbk")

　　说明：首先我们定义的变量a是str格式，编码为utf-8的字符串，我们要将之转化为str格式，GBK编码的字符串。在python内部无法直接转化，需要借助decode()与encode()函数。decode()函数先将str格式的字符串a转化为unicode，再将unicode编码为str格式GBK。而在Unix系统下，不存在这个问题，因为都是utf-8编码，不会存在乱码。print语句默认会将unicode编码的字符串，encode为相应系统的str编码并输出（windows下为gbk,unix下为utf-8）,因此不用担心print unicode编码字符串会报错。

源代码编码

源代码编码指的是python程序本身的编码，默认为ascii。

触发异常点

　　python程序本身要被解释器解析执行，需要先被转化为二进制代码。而在这过程中容易引发异常，原因同样是ascii不支持中文，因此当python程序中出现中文时，哪怕是注释，也会引发ascii异常。
实例证明：

print "中文"  #中文注释

报错：SyntaxError: Non-ASCII character ‘\xe7’……

解决方案

#! -*- coding:utf-8 -*-

python程序开头加上这句代码，指定python源代码编码格式为utf-8。

文件编码

　　文件编码指的是，python程序从文件中获取的内容的编码格式。可以用sys.getfilesystemencoding()函数获取，windows下为mbcs，linux下为utf-8。至于mbcs，是一种多字节编码（没搞很明白）。

触发异常点（读取文件内容）

当python程序从文件中获取内容，并输出时，容易触发异常。
实例证明：

#! -*- coding:utf-8 -*-
f=open("test.txt","r")
content=f.read()
print type(content)
print content

运行结果：

<type 'str'>
你好

　　可以看到windows下，从文件中读取的编码格式为Str，GBK格式（因为控制台输出没有中文乱码）；而在Unix下为Str，Utf-8格式。从输出内容来说，并没有触发异常，然而当这些内容与python程序自身内容相结合时，容易触发异常。

解决方案

在windows下，最好将文件内容转为unicode，可以使用codecs：

f=codecs.open("test.txt", encoding='gbk').read()

将格式为gbk的文件内容转化为unicode格式，当然也可以直接使用open(“”,”r”).read().decode(“gbk”)

触发异常点（写入文件内容）

参考操作系统编码触发异常点，即将中文unicode字符写入文件时，容易触发异常。

解决方案

参考操作系统编码解决方案，或者手动将unicode编码转换为str编码。
实例证明：

#! -*- coding:utf-8 -*-
a=u"中文"  #a为unicode格式编码
f=open("test.txt","w")
f.write(a.encode("gbk"))

当然如果变量a本身就是Str则不会报错，只是utf-8编码的内容写入windows文件中，显示会乱码。

网页编码

　　网页编码，通常在写爬虫的时候经常遇到，再结合系统编码，python编码，文件编码，往往会搞得一团乱。在程序中我们应该分别处理这些编码，在python内部全部转化为unicode。那么网页编码又有哪些格式呢？
常见格式：utf-8，gbk，gb2312

触发异常点

还是在于从网页中获取的源码编码与终端编码，甚至python内部编码不一致的情况。
实例证明：

#!coding=utf-8
import urllib2
body=urllib2.urlopen('http://thief.one').read()
print type(body)
print body

运行结果：

<type 'str'>
body中文显示乱码

说明：这个网站的编码是utf-8，而且python从网页上爬取的内容都为Str格式，在windows控制台下输出会乱码。

解决方案

　　依照之前做法，先将其转化为unicode。而相应的正则也可以为unicode编码，如：res=r’’+u”新成员”。可以通过chardet模块判断网页编码类型，返回的是一个带概率的字典。

编码判断

判断字符串编码

isinstance(obj, (str, unicode))

返回True或者False

判断网页编码

import chardet
import urllib2
body=urllib2.urlopen("http://thief.one").read()
chardet.detect(body)

判断编码格式，会有百分比，一般用来判断网页编码比较好。

判断系统编码

print sys.getdefaultencoding()    #系统默认编码
print sys.getfilesystemencoding() #文件系统编码
print locale.getdefaultlocale()   #系统当前编码
print sys.stdin.encoding          #终端输入编码
print sys.stdout.encoding         #终端输出编码

python2.x编码建议

其他疑难杂症

实例一：

a="\\u8fdd\\u6cd5\\u8fdd\\u89c4"
print a

变量a的内容本身为unicode编码，怎么正常显示输入？
解决方案：

a="\\u8fdd\\u6cd5\\u8fdd\\u89c4" # unicode转化为中文
b=a.decode('unicode-escape')
print b

　　如果阅读完本章，增加了您对python编码问题的认识，那我会感到欣慰，如有python编码上的问题可以在下方留言。

　　如果阅读完本章，您仍然不知如何解决python乱码问题，没关系，请继续移步阅读

Transcode解决python编码问题

　　为了能够让您重视，我不得不再次重申：解决python2.x编码问题的关键，在于要明白无论从哪里来的内容，在python内部流通时，都应该先转换为unicode。（python3.x在这方面做了改进，并取得了很好的效果）

源链接

Hacking more

...