关于python中的编码问题汇总

左手的ㄟ右手 2022-05-31 01:37 285阅读 0赞

Python的编码问题基本是每个新手都会遇到的坎，但只要完全掌握了就跳过了这个坑，万变不离其中，这不最近我也遇到了这个问题，来一起看看吧。  
事情的起因是review同事做的一个上传功能，看下面一段代码，self.fp是上传的文件句柄

fpdata = [line.strip().decode('gbk').encode('utf-8').decode('utf-8') for line in self.fp]
    data = [''.join(['(', self.game, ',', ','.join(map(lambda x: "'%s'" % x, d.split(','))), ')']) for d in fpdata[1:]]

这段代码暴露了2个问题  
1.默认编码使用gbk，为什么不用utf8?  
2..encode(‘utf-8’).decode(‘utf-8’)完全没有必要，decode(‘gbk’)之后就已经是unicode了

我建议上传文本编码为utf8，于是代码变成这样？

fpdata = [line.strip() for line in self.fp if line.strip()]
    data = [''.join(['(', self.game, ',', ','.join(map(lambda x: "'%s'" % x, d.split(','))), ')']) for d in fpdata[1:]]

可测试时报UnicodeDecodeError: ‘ascii’ codec can’t decode byte 0xe4 in position 0: ordinal not in range(128)，这个异常估计新手看到很头疼，这是什么意思呢？  
就是说：在将ascii字符串decode为unicode时碰到了oxe4这个比特，这不在ascii的范围内，所有decode错误。

交代一下项目背景，我们用Python2.7，这是django工程，self.game是unicode对象，明白人一看就是sys.setdefaultencoding的问题，其实就是下面这个问题  
![无][SouthEast]

哎呀，可我明明在settings.py中设置默认编码了呀，查看了一下，才发现闹了个笑话  
![无][SouthEast 1]  
看看到底发生了什么？由于fpdata都是utf8字符串，而self.game是unicode对象，字符串join时会将utf8字符串解码为unicode对象，但系统不知道你是utf8编码，默认使用ascii去解码，这出错也就不足为奇了。

这也是为什么在碰到编码问题时，老手建议增加sys.setdefaultencoding(“utf8”)操作，但为什么要加这么一个操作呢？我们从底层看看发生了什么？

当字符串连接unicode对象时，也就是a+b时，会调用PyString\_Concat

# stringobject.c
    void
    PyString_Concat(register PyObject **pv, register PyObject *w)
    {
        register PyObject *v;
        if (*pv == NULL)
            return;
        if (w == NULL || !PyString_Check(*pv)) {
            Py_CLEAR(*pv);
            return;
        }
        v = string_concat((PyStringObject *) *pv, w);
        Py_DECREF(*pv);
        *pv = v;
    }
    
    static PyObject *
    string_concat(register PyStringObject *a, register PyObject *bb)
    {
        register Py_ssize_t size;
        register PyStringObject *op;
        if (!PyString_Check(bb)) {
            if (PyUnicode_Check(bb))
                return PyUnicode_Concat((PyObject *)a, bb);
            if (PyByteArray_Check(bb))
                return PyByteArray_Concat((PyObject *)a, bb);
            PyErr_Format(PyExc_TypeError,
                         "cannot concatenate 'str' and '%.200s' objects",
                         Py_TYPE(bb)->tp_name);
            return NULL;
        }
        ...
    }

如果检测到b是unicode对象，会调用PyUnicode\_Concat

PyObject *PyUnicode_Concat(PyObject *left,
                               PyObject *right)
    {
        PyUnicodeObject *u = NULL, *v = NULL, *w;
    
        /* Coerce the two arguments */
        u = (PyUnicodeObject *)PyUnicode_FromObject(left);
        v = (PyUnicodeObject *)PyUnicode_FromObject(right);
        w = _PyUnicode_New(u->length + v->length);
        Py_DECREF(v);
        return (PyObject *)w;
    }
    
    PyObject *PyUnicode_FromObject(register PyObject *obj)
    {
        if (PyUnicode_Check(obj)) {
            /* For a Unicode subtype that's not a Unicode object, return a true Unicode object with the same data. */
            return PyUnicode_FromUnicode(PyUnicode_AS_UNICODE(obj),
                                         PyUnicode_GET_SIZE(obj));
        }
        return PyUnicode_FromEncodedObject(obj, NULL, "strict");
    }

由于a不是unicode对象会调用PyUnicode\_FromEncodedObject将a转换为unicode对象，传递的编码是NULL

PyObject *PyUnicode_FromEncodedObject(register PyObject *obj,
                                          const char *encoding,
                                          const char *errors)
    {
        const char *s = NULL;
        Py_ssize_t len;
        PyObject *v;
    
        /* Coerce object */
        if (PyString_Check(obj)) {
            s = PyString_AS_STRING(obj);
            len = PyString_GET_SIZE(obj);
        }
    
        /* Convert to Unicode */
    
        v = PyUnicode_Decode(s, len, encoding, errors);
        return v;
    }
    
    PyObject *PyUnicode_Decode(const char *s,
                               Py_ssize_t size,
                               const char *encoding,
                               const char *errors)
    {
        PyObject *buffer = NULL, *unicode;
        if (encoding == NULL)
            encoding = PyUnicode_GetDefaultEncoding();
    
        /* Shortcuts for common default encodings */
        if (strcmp(encoding, "utf-8") == 0)
            return PyUnicode_DecodeUTF8(s, size, errors);
        else if (strcmp(encoding, "latin-1") == 0)
            return PyUnicode_DecodeLatin1(s, size, errors);
        else if (strcmp(encoding, "ascii") == 0)
            return PyUnicode_DecodeASCII(s, size, errors);
    
        /* Decode via the codec registry */
        buffer = PyBuffer_FromMemory((void *)s, size);
        if (buffer == NULL)
            goto onError;
        unicode = PyCodec_Decode(buffer, encoding, errors);
    
        return unicode;
    }

我们看到当encoding是NULL时，encoding是PyUnicode\_GetDefaultEncoding(),其实这个就是我们sys.getdefaultencoding()的返回值，Python默认就是ascii

static char unicode_default_encoding[100 + 1] = "ascii";
    
    const char *PyUnicode_GetDefaultEncoding(void)
    {
        return unicode_default_encoding;
    }

这里unicode\_default\_encoding是个静态变量，且分配了足够的空间让你指定不同的编码，估计100个字符肯定是够了

我们在看看sys模块的getdefaultencoding和setdefaultencoding

static PyObject *
    sys_getdefaultencoding(PyObject *self)
    {
        return PyString_FromString(PyUnicode_GetDefaultEncoding());
    }
    
    static PyObject *
    sys_setdefaultencoding(PyObject *self, PyObject *args)
    {
        if (PyUnicode_SetDefaultEncoding(encoding))
            return NULL;
        Py_INCREF(Py_None);
        return Py_None;
    }

PyUnicode\_SetDefaultEncoding不用想也知道设置unicode\_default\_encoding数组就可以了，Python用的是strncpy

int PyUnicode_SetDefaultEncoding(const char *encoding)
    {
        PyObject *v;
        /* Make sure the encoding is valid. As side effect, this also loads the encoding into the codec registry cache. */
        v = _PyCodec_Lookup(encoding);
        if (v == NULL)
            goto onError;
        Py_DECREF(v);
        strncpy(unicode_default_encoding,
                encoding,
                sizeof(unicode_default_encoding) - 1);
        return 0;
    
      onError:
        return -1;
    }

之前我们在sys.setdefaultencoding(“utf8”)时是reload(sys)的，这是因为在Python site.py中有这么一个操作

if hasattr(sys, "setdefaultencoding"):
            del sys.setdefaultencoding

当然你完全可以定制site.py,修改setencoding，使用locale的设置，也就是将if 0修改为if 1。一般windows的设置locale编码为cp936，服务器一般都是utf8

def setencoding():
        """Set the string encoding used by the Unicode implementation. The default is 'ascii', but if you're willing to experiment, you can change this."""
        encoding = "ascii" # Default value set by _PyUnicode_Init()
        if 0:
            # Enable to support locale aware default string encodings.
            import locale
            loc = locale.getdefaultlocale()
            if loc[1]:
                encoding = loc[1]
        if 0:
            # Enable to switch off string to Unicode coercion and implicit
            # Unicode to string conversion.
            encoding = "undefined"
        if encoding != "ascii":
            # On Non-Unicode builds this will raise an AttributeError...
            sys.setdefaultencoding(encoding) # Needs Python Unicode build !

所以Python的编码是不难的，  
要想玩转Python的编码你需要知道  
1.unicode与utf8,gbk的区别，以及unicode与具体编码的转换  
2.字符串与unicode连接时会转换为unicode, str(unicode)会转换为字符串  
3.当不知道具体编码会使用系统默认编码ascii，可通过sys.setdefaultencoding修改

如果能解释下面现象应该就能玩转Python让人讨厌的编码问题  
![无][SouthEast 2]

当然这里面还有坑，比如经常在群里看到已经sys.setdefaultencoding(“utf8”)了，但print时候还是报错，这个其实是print造成的，print会根据sys.stdout.encoding再转一次码。  
解决办法:

export LANG="en_US.UTF-8"

当然也听到不少朋友建议不要用sys.setdefaultencoding，这会让你遇到不少坑，对这点我是持保留意见的，军刀在手就看各位怎么用了，是杀敌1000自损800还是所向披靡。

当然这的确有坑，比如a==b,c是一个字典，c\[a\]可能并不等于c\[b\]，因为==会转换编码，但字典并不会。

这里还要提一下下面这个东西[https://docs.python.org/2/library/codecs.html][https_docs.python.org_2_library_codecs.html]  
![无][SouthEast 3]

![无][SouthEast 4]

unicode\_eacape就是提供unicode和string的转换  
我们看到a已经是unicode表示了，但我们需要的是python中unicode字符，所以decode(‘raw\_unicode\_escape’),还比如写接口返回的json字符串  
![无][SouthEast 5]

string\_escape是提供string和python中字符串字面量之间的转换。

![无][SouthEast 6]

**简要概括一下：**  
上面说了如此之多，其实，在我们的基本使用中，只需要了解如下知识点：  
将python看成是一根管子，管子里头处理的中间过程都是使用unicode的。入口处，全部转成unicode；出口处，再转成目标编码(当然，有例外，处理逻辑中要用到具体编码的情况)。  
在控制台执行命令a = u’中文’，可以将解释为命令，a = ‘中文’.decode(encode)，从而到到unicode对象a。那么这里的encode是什么呢？对于控制台来说，就是标准输入，即sys.stdin.encoding

>>> sys.stdin.encoding
    'cp936'

经过测试，python2中的标准输入为‘cp936’，python3中的标准输入为‘utf-8’。

回到最开始的那个问题，之所以出错，主要问题在于没有搞清楚unicode和str的区别，将两者进行了混用。

>>> a = '中文'
    >>> a.encode('gbk')
    Traceback (most recent call last):
     File "<stdin>", line 1, in <module>
    UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)

以上的对象a其实是str，即字节码，若终端是utf-8编码的话，那么a就是用utf-8 encode的字节码。a.encode(‘gbk’) 等价于a.decode(encoding).encode(‘gbk’)，即先将字节码解码为unicode字符，然后再encode为字节码。unicode对象作为中转站。那么这里的encoding是什么呢？

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

默认是ascii，这正是错误为什么报无法用ascii解码的原因

>>> reload(sys)
    <module 'sys' (built-in)>
    >>> sys.setdefaultencoding('utf-8')
    >>> a = '中文'
    >>> repr(a)
    "'\\xe4\\xb8\\xad\\xe6\\x96\\x87'"
    >>> a.encode('gbk')
    '\xd6\xd0\xce\xc4'

将默认编码改为utf-8，即可。不鼓励对str使用encode方法，因为其中隐式对str进行了解码。decode只对str，encode只对unicode，一切decode/encode都显示指定编码方式。

**关于python中bytes,str和unicode的区别，这里给出两个式子，自行揣摩：**  
![无][SouthEast 7]  
在Python2中，作为两种类型的字符序列，str与unicode需要转换，它们是这样转换的.

str——decode方法——》unicode——encode方法——》str

在python3中可以这样对应这转换，配合上面的图，也许会好理解一点。

byte——decode（解码）方法——》str——>encode（编码）方法——》byte

**最后作一点补充：**  
如果你不知道你所处理的字符编码类型怎么办呢？其实很简单，见如下代码：  
（1）网页编码判断：

>>> import urllib
    >>> rawdata = urllib.urlopen('http://www.google.cn/').read()
    >>> import chardet
    >>> chardet.detect(rawdata)
    {
       'confidence': 0.98999999999999999, 'encoding': 'GB2312'}

（2）文件编码判断

import chardet
    tt=open('c:\\111.txt','rb')
    ff=tt.readline()
    #这里试着换成read(5)也可以，但是换成readlines()后报错
    enc=chardet.detect(ff)
    print enc['encoding']
    tt.close()

目前我所遇到的，主要就是这些问题了，后面如果遇到其它的再来补充，望各位不吝赐教。

[SouthEast]: /images/20220531/6f6dbefb7f3b4c0ca612736e00d90d50.png
[SouthEast 1]: /images/20220531/b499f555c3e44755966004c3d7abc4c7.png
[SouthEast 2]: /images/20220531/5ba1c34d452d48bd857177d37171d359.png
[https_docs.python.org_2_library_codecs.html]: https://docs.python.org/2/library/codecs.html
[SouthEast 3]: /images/20220531/9977f5efeff14f7cb7ebef3c0dc6a8da.png
[SouthEast 4]: /images/20220531/d7e2eecddf614e1cb1f8aba72455b0a1.png
[SouthEast 5]: /images/20220531/9730f44503634c979b1d1dc7f0364425.png
[SouthEast 6]: /images/20220531/e5c8b047437e4f929606d40fb2825f0f.png
[SouthEast 7]: /images/20220531/b57bdb6c32344dceb0c2dee481c2ae65.png