python2中文亂碼問題

python2中的中文亂碼情況，本文將從一下四種情況進行展開。

下面兩句話是本文的重點，文中的內容都是圍繞下面兩句話展開的

• 1.亂碼的本質是字符的編碼格式與顯示字符的環(huán)境編碼格式不一致引起的。這句話告訴我們要解決亂碼問題，我們需要知道兩個信息，一個是字符本身是什么編碼，另一個就是顯示字符的環(huán)境編碼是什么，兩者必須一致，才能顯示出正確的內容。
• 2.在python中，對于任何Unicode類型編碼的字符，打印時會自動根據(jù)環(huán)境編碼轉為特定編碼后再顯示。

接下來，看看字符在python代碼中是如何被編碼的。在不同的python版本中，字符編碼的方式不一樣。本文主要說的是python2版本。

亂碼情況1

python2默認使用ASCII來編碼代碼的，如果代碼中出現(xiàn)中文，那么就必須在py文件的開頭注明支持中文的編碼格式，如果沒有聲明，python2就會使用默認的ASCII編碼來識別中文，就會報錯。

s = "中文"

E:\PycharmProjects\LEDdisplay2\venv\Scripts\python.exe E:/PycharmProjects/LEDdisplay2/1.py  File "E:/PycharmProjects/LEDdisplay2/1.py", line 1SyntaxError: Non-ASCII character '\xe4' in file E:/PycharmProjects/LEDdisplay2/1.py on line 1, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for detailsProcess finished with exit code 1

上述報錯翻譯過來就是，在1.py文件的第一行有非ASCII字符“\e4”，而且沒有聲明編碼。

如果我們設置編輯器pycharm此時的環(huán)境編碼是utf-8的話，用軟件查看1.py文件的十六進制，可以看到“中文”存儲的是\xe4\xb8\xad\xe6\x96\x87。

（utf-8存儲文件一個字符需要三個字節(jié)表示，可以看到“中文”兩個字符是六個字節(jié)）

使用nodepad++查看十六進制

python2默認編碼格式ASCII編碼是不認識“\xe4”的，無法識別“中文”，所以會報錯。

所以，需要在py文件的開頭加上 # encoding:utf-8 聲明腳本的編碼方式，則python就可以識別代碼中的漢字字符串，并按照聲明的字符編碼格式來進行編碼。

補充：

• 代碼查看python環(huán)境的默認編碼
• 代碼查看字符串的十六進制

# encoding:utf-8
import sys

s = "中文"
print(sys.getdefaultencoding())
print (repr(s))

E:\PycharmProjects\LEDdisplay2\venv\Scripts\python.exe E:/PycharmProjects/LEDdisplay2/1.py
ascii
'\xe4\xb8\xad\xe6\x96\x87'

Process finished with exit code 0

亂碼情況2

如果我們在py文件開頭聲明腳本的編碼格式為utf-8，設置編輯器pycharm的環(huán)境編碼為GBK，那么，當我們打印中文時，會出現(xiàn)什么情況呢？

答：還是亂碼

# coding=utf-8s = "中文"print(s)

E:\PycharmProjects\LEDdisplay2\venv\Scripts\python.exe E:/PycharmProjects/LEDdisplay2/1.py
涓枃

Process finished with exit code 0

pycharm編碼設置：

原因是，上述代碼中s變量的編碼是utf-8的，而我們運行腳本的編輯器pycharm設置的環(huán)境編碼卻是GBK，兩者編碼方式不一致，所以必定會出現(xiàn)亂碼。

解決方法有以下幾種：

（這幾種方法是互斥的，目的是為了保證文件開頭聲明的編碼格式和pycharm編輯器設置的環(huán)境編碼格式一致）

1.可以修改編輯器pycharm的環(huán)境編碼為UTF-8

2.可以修改py文件開頭聲明腳本的編碼方式為GBK

3.在變量s前加一個u，將其強制轉換為Unicode編碼（前面已經說過了，對于Unicode編碼的字符，python打印時會自動根據(jù)環(huán)境編碼轉為特定編碼后再顯示）

4.通過decode和encode函數(shù)。使用decode方法可以將字符串按照指定的格式解碼成Unicode，需要注意的是，我們對所有的非Unicode類型的字符只能進行decode操作，不能進行encode操作，對Unicode類型的字符只能進行encode操作，不能進行decode操作。

# encoding:utf-8
s = "中文"
y1 = s.decode("utf-8") # s.decode("utf-8")這句話跟u“中文”效果是等價的
y2 = s.decode("utf-8").encode("gbk")
print(y1)
print(y2)

E:\PycharmProjects\LEDdisplay2\venv\Scripts\python.exe E:/PycharmProjects/LEDdisplay2/1.py
中文
中文

Process finished with exit code 0

注意：encode和decode的時候都是需要指定編碼的。

在 Python 中編碼是可以互相轉換的，但是不同編碼之間不能直接轉換，需要通過Unicode字符集中間過渡下。比如從utf-8轉換為gbk，需要先將utf-8格式解碼成Unicode，再編碼成gbk格式。

• encode的正常使用：對Unicode類型進行encode，得到字節(jié)串str類型。也即是Unicode-> encode（根據(jù)指定編碼） -> str。
• decode的正常使用：對str類型進行decode，得到Unicode類型。也即是str -> decode（根據(jù)指定編碼） -> Unicode。
• encode的不正常使用：對str類型進行encode，因為encode需要的是Unicode類型，這個時候python會用默認編碼decode成Unicode類型，再用你給出編碼進行encode。（注意這里默認編碼不是開頭的encoding，而是ASCII編碼）
• decode的不正常使用：對Unicode類型進行decode，python會用默認的系統(tǒng)編碼encode成str類型，再用你給出的編碼進行decode。

另外，需要注意的是，用什么字符編碼對Unicode進行編碼（編碼為str類型），就要用對應的字符編碼對str類型進行解碼（解碼為Unicode類型）。

舉個不正常使用的例子：

# encoding:utf-8
import sys

s = "中文"
print(sys.getdefaultencoding())
y3 = s.encode("utf-8")
print(y3)

E:\PycharmProjects\LEDdisplay2\venv\Scripts\python.exe E:/PycharmProjects/LEDdisplay2/1.py
ascii
Traceback (most recent call last):
  File "E:/PycharmProjects/LEDdisplay2/1.py", line 5, in <module>
    y3 = s.encode("utf-8")
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)

Process finished with exit code 1

上面的代碼可以看出，python2的默認編碼是ASCII編碼，直接對str類型的變量s進行encode時，python會使用默認編碼ASCII碼將變量s先deconde成Unicode，而文件開頭已經聲明代碼用utf-8編碼，所以會報ASCII碼無法decode字節(jié)“0xe4”，而“0xe4”是utf-8編碼存儲變量s=“中文”的第一個字節(jié)的十六進制表示。

亂碼情況3

將下面代碼文件（存儲時選擇utf-8編碼）直接在命令行里面運行，又會發(fā)生什么問題呢？

# encoding:gbk
s = "中文"
y1 = s.decode("gbk") #s.decode("gbk")這句話跟u“中文”效果是等價的
y2 = s.decode("gbk").encode("utf-8")
print(y1)
print(y2)

y1正常顯示中文了，y2卻出現(xiàn)了亂碼。

這次出現(xiàn)亂碼的原因又是什么呢？

windows命令行的環(huán)境編碼是GBK格式，y1經過decode后是Unicode碼，前面提到對于任何Unicode類型編碼的字符，打印時python會自動根據(jù)環(huán)境編碼轉為特定編碼后再顯示，所以y1在cmd命令行下正常顯示。

y2經過解碼和編碼后是utf-8格式，只能在環(huán)境編碼為utf-8的環(huán)境中才能正常顯示，在winows命令行下運行就會出現(xiàn)由于編碼不一致而導致的亂碼。

如果上述代碼再加一句print(s)，將其分別在pycharm和cmd下運行，結果會是怎樣呢？

# encoding:gbk
s = "中文"
y1 = s.decode("gbk") #s.decode("gbk")這句話跟u“中文”效果是等價的
y2 = s.decode("gbk").encode("utf-8")
print(y1)
print(y2)
print(s)

E:\PycharmProjects\LEDdisplay2\venv\Scripts\python.exe E:/PycharmProjects/LEDdisplay2/1.py
中文
中文
????

Process finished with exit code 0

在pycharm環(huán)境下運行，輸出s會亂碼，因為pycharm環(huán)境編碼我們設置的是utf-8，文件開頭聲明編碼是gbk，編碼方式不一致，故亂碼。

在cmd環(huán)境下運行，輸出a不會亂碼，因為cmd環(huán)境編碼是GBK，而我們開頭文件聲明的編碼格式也是GBK，編碼方式一致，故正常顯示。

上述的代碼都是在python2環(huán)境下運行的，如果是python3的腳本的話，則要簡單得多。

因為python3中，所有的字符串不再受系統(tǒng)環(huán)境編碼的影響，統(tǒng)一使用Unicode來進行編碼，字符串類型統(tǒng)一為str，所以不再需要在中文前面加u來使中文字符變?yōu)閁nicode這種寫法。

而且所有python3的腳本默認都是utf-8來編碼的，所以我們也不需要在腳本開頭指定coding:utf-8了（但是一般建議寫上，兼容python2）。

打印顯示的時候也會方便很多，由于是字符串都是Unicode格式，所以不管在命令行中還是pycharm中，都會正常顯示而不會出現(xiàn)亂碼。

亂碼情況4

如果是直接在命令行中寫腳本，又會出現(xiàn)什么問題呢？

我們只需要弄清楚字符本身的編碼和環(huán)境編碼是否一致就可以得出答案了。

在python shell（即命令行）中直接寫代碼運行時，我們需要知道的是，windows下命令行的默認編碼是gbk的，Linux環(huán)境下命令行的默認編碼是utf-8的。

第一行我們在定義a="中文"時，并不會報錯，因為在命令行中默認是gbk編碼，所以此時其實a的編碼已經是gbk了，支持中文沒有任何問題。

直接顯示a變量時，打印出來的不是亂碼，而是該字符串的字節(jié)碼表示方式，大家可以理解成給計算機看的，不是給人看的，只有print出來的內容才是給人看的。

print(a)也不會報錯，因為按照gbk方式編碼并且在gbk環(huán)境中運行，不可能會出問題。

直接將a進行decode解碼時，解碼方式必須跟編碼方式是一致的，gbk方式編碼的內容不能用utf-8解碼為Unicode，只能用gbk解碼成Unicode。

用gbk進行decode之后，字符串會變?yōu)閁nicode，python會自動根據(jù)環(huán)境的編碼進行編碼，故可以正常顯示。

最后，我們將Unicode按照utf-8編碼時，字符的編碼格式又跟環(huán)境編碼不一致了，所以再次出現(xiàn)了亂碼。

linux下同理，只是linux下命令行的默認編碼格式是utf-8。

總結

以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論