尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
作者：milter 鏈接：https://www.jianshu.com/p/eb22cee6c553
python處理文本的功能非常強大，但是如果是初學者，沒有搞清楚python中的編碼機制，也經常會遇到亂碼或者decode error。本文的目的是簡明扼要地說明python的編碼機制，並給出一些建議。
問題1：問題在哪里？
問題是我們的靶子，心中沒有問題去學習就會抓不住重點。
本文使用的編程環境是centos6.7，python2.7。我們在shell中鍵入python以打開python命令行，並鍵入如下兩句話：
s = “中國zg”
e = s.encode(“utf-8”)
現在的問題是：這段代碼能運行嗎？
答案是不能，會報如下的錯：
UnicodeDecodeError: ‘ascii’ codec can’t decode byte 0xe4 in position 0: ordinal not in range(128)
請留意一下錯誤中說明的0xe4，它是我們分析錯誤的突破口。
相信很多人都遇到過這個錯誤。那麼新的問題來了。
問題2：Why？
要搞清楚原因，我們不妨認真分析下這兩句話的執行流程：
首先，我們通過鍵盤在python命令行解釋器中鍵入了 中國zg 並且給它加上了英文的雙引號，然後又賦值給了變量s，看起來很稀松平常是不是？其實里面大有玄機。
當我們通過鍵盤在程序中輸入字符時，我們是通過操作系統完成這個功能的。我們在螢幕上看到的 中國zg 實際上是操作系統給我們人類的一個反饋，告訴你：「嗨，哥們，你在程序中輸入了字符 中國zg 」
那操作系統給程序的反饋是什麼呢？答案就是01串，這個01串是什麼樣子，又是怎麼生成的呢？
答案就是操作系統使用自己的默認編碼方式，將中國zg進行了編碼，並把編碼後的01串給了程序。
我們用的centos系統默認的編碼是utf-8，所以，只要知道中國zg每個字符的utf-8的編碼就可以知道01串是什麼了。
查詢後，可以獲得它們的編碼是(以16進制和2進制表示)：
| 中 |國 | z |g|
|: ————- |:————-:| —–:|
|E4B8AD | E59BBD|7A|67|
|11100101 10011011 10111101|11100101 10011011 10111101|01111010|01100111|
現在我們知道操作系統傳給程序的01串長什麼樣子了。然後，程序會怎麼處理它呢？
程序看到這個01串被雙引號包圍著，自然知道這個01串是一個字符串。然後這個字符串被賦值給了s。
到此，就是第一句的執行邏輯。
現在繼續進行第二句的執行。
e = s.encode(“utf-8”)的意思是將字符串s用utf-8進行編碼，並將編碼後的字符串賦值給e。問題來了，程序現在知道s中的01串，還知道這個01串表示的是字符串，但這個字符串的編碼是什麼呢？我們必須知道01串的現有編碼才能解析出里面的字符，也才能用新的編碼方式，如utf-8來重新編碼它。操作系統只給程序傳來了01串，並沒有告訴程序這個01串用的字符編碼是什麼。
此時，python程序就會用它自己默認的編碼當作s的編碼，進而來識別s中的內容。這個默認的編碼是ASCII，所以，它會用ASCII來解釋這個01串，識別出字符串的內容，再將這個字符串轉為utf-8編碼。
好了，程序碰到的第一個字節就是E4（11100101 ），傻眼！ ASCII編碼中沒有這玩意兒，因為ASCII編碼中字節第一位都是0。
怎麼辦？
報錯唄，於是我們就看到了上面的錯誤。
錯誤中的0xe4就是字符 「中」 的utf8編碼的第一個字節。
問題3：How？
知道問題出在哪里了，怎麼解決這個問題呢？
顯然，我們只要告訴程序，這個s中的01串的編碼是utf-8，程序就應該能正確工作。
但這樣的解決方法有一個問題，就是不夠通用。
假如我有個程序，它要讀取很多文本文件，每個文本文件的編碼都不一樣，豈不是針對每個讀進來的文件都維護一個編碼信息？很繁瑣。
進一步，如果這些文本文件的內容還要做相互的比較連接之類的操作，編碼都不一致，豈不是更麻煩？
python是怎麼聰明地解決這個問題的呢？
很簡單，就是decode！
decode的意思是說，你有一個字符串，並且你知道它的編碼，只要你用該編碼decode這個字符串，那麼，python就會識別出里面的字符內容，同時，建一個int數組，將每個字符的unicode序號存進去。
所有的字符串都這樣做，就可以確保在程序運行過程中，各種來源獲得的字符串都有一樣的表示。它們就可以方便地進行各種操作了。
上面說的 int數組會被python封裝成一個對象，即unicode對象。
問題4：如何搞定？
下面，我們在python命令行中輸入如下兩行代碼：
e = s.decode("utf-8")
isinstance(e,unicode)
程序的輸出是True，這說明，decode後返回的e確實是一個unicode對象。
unicode在這里是一個類，是python里面的類。
e 被稱作unicode字符串，意思是說，它存的是字符的unicode序號，並沒有使用任何編碼。
然後，我們就可以將e編碼成任意一種編碼，比如下面的操作都是可以的
e.encode(“utf-8”)
e.encode(“gbk”)
只要你選擇的編碼能夠對e中的字符進行編碼即可，如果不能編碼，就會報錯。
比如，如果你嘗試這樣：
e.encode("ascii")
由於ASCII並不能編碼 中國 這兩個字符，所以會爆出 encode error。
至此，我們已經看到了兩種錯誤，decode error 和encode error，並解決了它們。
問題5：如何評價python的這種字符編碼處理方法？
首先，這樣的處理方法非常的簡單。任何文本，只要它進入程序時進行一次decode，就會變成unicode對象，里面用int存著每個字符的unicode序號。只要在這個文本要輸出時再進行一次encode，編碼成我們需要的編碼就可以了。
問題是，所有的字符都用一個int來表示會不會太浪費空間？畢竟，用ASCII編碼，英文的字符只要一個字節就可以了。
確實會費點空間，但是現在的內存都足夠大，而且我們只在程序內部使用這種方式，當字符串要寫入文件或者通過網路傳輸時，我們都會進行相應的編碼的。
還有一個問題，那些寫死在程序中的字符串怎麼辦？難道每次使用都要進行一次decode?不同的操作系統默認使用的編碼是不一樣的，當我們在linux下，通常需要用utf8做decode，在Windows下，通常需要用gbk做 decode。這樣，我們的代碼就只能在特定的平台運行。
python給我們提供了一個很簡單的辦法，只要在字符串前面加一個u，它就會幫我們探測系統的編碼，並自動完成decode。
問題6：總結下，學到了什麼？
本文用一個很常見的錯誤為起點，詳細分析了python中的編碼問題。我們看到了python處理字符問題的簡單之處，也能夠理解為什麼python有這麼強大的文本處理功能。
測試題:看你是否真正理解了。
假設一台linux上有一個文件a.txt，里面的內容是”中文”兩個字符，編碼方式是utf-8。
現在，在python程序中寫如下語句:
import codec
s=””
with codec.open(“a.txt”,encoding=”utf-8″) as f:
s=f.readline().strip()
with open(“b.txt”,”w”) as f:
f.write(s)
請問這段代碼能執行嗎？為什麼？
答案:不能！
s底下的表示是unicode,寫出時python會對其進行編碼，默認用的ascii編碼無法對”中文”兩個字符進行編碼，所以會報錯！
如果這篇文章確實對你有所幫助，歡迎點讚，鼓勵我繼續寫下去。