問題

在平時工作中，遇到了這樣的錯誤：

UnicodeDecodeError: 'ascii' codec can't decode byte

想必大家也都碰到過，很常見 。于是決定對python的編碼做一個整理和學(xué)習(xí)。

基礎(chǔ)知識

在python2.x中，有兩種數(shù)據(jù)類型，unicode和str，這兩個都是basestring的子類

>>> a = '中'
>>> type(a)
<type 'str'>
>>> isinstance(a,basestring)
True
>>> a = u'中'
>>> type(a)
<type 'unicode'>
>>> isinstance(a,basestring)
True

兩者的區(qū)別，概括來講，str是字節(jié)串，由unicode經(jīng)過編碼(encode)后的字節(jié)組成的（好比與python3.x的byte）；unicode是對象，才是真正意義上的字符串，由字符組成

>>> a='中文'
>>> len(a)
6
>>> repr(a)
"'\\xe4\\xb8\\xad\\xe6\\x96\\x87'"
>>> b=u'中文'
>>> len(b)
2
>>> repr(b)
"u'\\u4e2d\\u6587'"

控制臺和腳本

在linux下的python控制臺執(zhí)行以下命令，所得的結(jié)果和執(zhí)行腳本是不同的

>>> a = u'中文'
>>> repr(a)
"u'\\xe4\\xb8\\xad\\xe6\\x96\\x87'"
>>> b = unicode('中文','utf-8')b)
>>> repr(b)
"u'\\u4e2d\\u6587'"

可以看到，u'中文'初始化的對象a不是我們所期望的，那究竟是什么原因呢？
將python看成是一根管子，管子里頭處理的中間過程都是使用unicode的。入口處，全部轉(zhuǎn)成unicode；出口處，再轉(zhuǎn)成目標(biāo)編碼(當(dāng)然，有例外，處理邏輯中要用到具體編碼的情況)。
在控制臺執(zhí)行命令a = u'中文'，可以將解釋為命令，a = ‘中文'.decode(encode)，從而到到unicode對象a。那么這里的encode是什么呢？對于控制臺來說，就是標(biāo)準(zhǔn)輸入，即sys.stdin.encoding

>>> sys.stdin.encoding
'ISO-8859-1'

我的這邊控制臺默認(rèn)的編碼是ISO-8859-1，故a = u'中文' <=> a = '中文'.decode('ISO-8859-1')
這里的'中文'是控制臺理解的，即使根據(jù)終端編碼方式編碼后的字節(jié)碼，對于utf-8編碼的終端，'中文'='\\xe4\\xb8\\xad\\xe6\\x96\\x87'

>>> a='中文'.decode('ISO-8859-1') 
>>> repr(a)
"u'\\xe4\\xb8\\xad\\xe6\\x96\\x87'"

那如何修改此編碼值呢，設(shè)置為什么呢？在linux環(huán)境中設(shè)置環(huán)境變量方法如下，具體設(shè)置什么只要與終端編碼方式一直即可

export PYTHONIOENCODING=UTF-8

總結(jié)

重新回到最初的那個問題，造成問題的原因是沒有搞清楚unicode和str的區(qū)別，將兩者進(jìn)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)

以上的對象a其實(shí)是str，即字節(jié)碼，若終端是utf-8編碼的話，那么a就是用utf-8 encode的字節(jié)碼。a.encode('gbk') 等價(jià)于a.decode(encoding).encode('gbk')，即先將字節(jié)碼解碼為unicode字符，然后再encode為字節(jié)碼。unicode對象作為中轉(zhuǎn)站。那么這里的encoding是什么呢？

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

默認(rèn)是ascii，這正是錯誤為什么報(bào)無法用ascii解碼的原因

>>> 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'

將默認(rèn)編碼改為utf-8，即可。不鼓勵對str使用encode方法，因?yàn)槠渲须[式對str進(jìn)行了解碼。decode只對str，encode只對unicode，一切decode/encode都顯示指定編碼方式。

最新評論