Python - 了解bytes、str与unicode的区别

旧城等待， 2022-09-15 14:58 153阅读 0赞

python 的编码问题，应该每一个写python代码的童鞋都被困扰过。  
别外python2 和 python3 的默认编码又不同，所以弄清楚还是有必要的，不然在网上搜一堆答案一个一个试，还是挺浪费时间的。  
**首先，python 2.x 的 str**

s = "我不是乱码"

s是个字符串，它本身存储的就是字节码（bytes）。  
那么这个字节码是什么格式的？  
如果这段代码是在解释器上输入的，那么这个s的格式就是解释器的编码格式，对于windows的cmd而言，就是gbk。  
如果将段代码是保存后才执行的，比如存储为utf-8，那么在解释器载入这段程序的时候，就会将s初始化为utf-8编码。  
**python 2.x 的 unicode**  
我们知道unicode是一种编码标准，具体的实现标准可能是utf-8，utf-16，gbk ……  
python 在内部使用两个字节来存储一个unicode，使用unicode对象而不是str的好处，就是unicode方便于跨平台。  
你可以用如下两种方式定义一个unicode:

s1 = u"我不是乱码" 
    s2 = unicode("我不是乱码", "utf-8")

可以通过 encode与decode 进行转换。

但Python 2 悄悄掩盖了 byte 到 unicode 的转换，让程序在处理 ASCII 的时候更加简单。你付出的代价就是在处理非 ASCII 的时候将会失败。

我们经常碰到错误是 UnicodeDecodeError: ‘ascii’ codec can’t decode byte ……

**常用解决方案：  
设置defaultencoding**

reload(sys)
    sys.setdefaultencoding('utf-8')

如果你在python中进行编码和解码的时候，不指定编码方式，那么python就会使用defaultencoding。

比如上一节例子中将str编码为另一种格式，就会使用defaultencoding。

s.encode("utf-8") 等价于 s.decode(defaultencoding).encode("utf-8")

再比如你使用str创建unicode对象时，如果不说明这个str的编码格式，那么程序也会使用defaultencoding。

u = unicode("人生苦短") 等价于 u = unicode("人生苦短",defaultencoding)

默认的defaultcoding：ascii是许多错误的原因，所以早早的设置defaultencoding是一个好习惯。

**文件头声明编码的作用**

> 顶部的:\# – coding: utf-8 --目前看来有三个作用。  
> 1.如果代码中有中文注释，就需要此声明  
> 2.比较高级的编辑器（比如我的emacs），会根据头部声明，将此作为代码文件的格式。  
> 3.程序会通过头部声明，解码初始化 u’人生苦短’，这样的unicode对象，（所以头部声明和代码的存储格式要一致）

**在python3 中**  
Python 3 也有两种类型，一个是 str(unicode),一个是 bytes 码。但是它们有不同的命名。 type（变量）

Python 3 中对 Unicode 支持的最大变化就是没有对 byte 字符串的自动解码。如果你想要用一个 byte 字符串和一个 unicode 相连接的话，你会得到一个错误，不管包含的内容是什么。  
可以简单理解为:  
python2 中的unicode -> python3 的str  
python2 中的str-> python3 的byte

个人认为下面这篇文章图文并茂的说明了各种字符的关系，值得仔细阅读一下。

[Unicode之痛][Unicode]

[Unicode]: http://pycoders-weekly-chinese.readthedocs.io/en/latest/issue5/unipain.html