python中encode和decode函數說明

python中encode和decode函數說明

1.   簡介

字符串編碼常用類型：utf-8,gb2312,cp936,gbk等。

python中，我們使用decode()和encode()來進行解碼和編碼，使用unicode類型作為編碼的基礎類型。即

     decode              encode

str ---------> unicode --------->str

編碼示例：

u = u'中文' #顯示指定unicode類型對象u

str = u.encode('gb2312') #以gb2312編碼對unicode對像進行編碼

str1 = u.encode('gbk') #以gbk編碼對unicode對像進行編碼

str2 = u.encode('utf-8') #以utf-8編碼對unicode對像進行編碼

u1 = str.decode('gb2312')#以gb2312編碼對字符串str進行解碼，以獲取unicode

u2 = str.decode('utf-8')#如果以utf-8的編碼對str進行解碼得到的結果，將無法還原原來的unicode類型

如上面代碼，str\str1\str2均為字符串類型（str）,給字符串操作帶來較大的復雜性。

2.   python3使用unicode字符的字符串類型

在新版本的python3中，取消了unicode類型，代替它的是使用unicode字符的字符串類型(str),字符串類型（str）成為基礎類型如下所示，而編碼后的變為了字節類型(bytes)，但是兩個函數的使用方法不變：

     decode              encode

bytes ------> str(unicode)------>bytes

編碼示例：

u = '中文' #指定字符串類型對象u

str = u.encode('gb2312') #以gb2312編碼對u進行編碼，獲得bytes類型對象str

u1 = str.decode('gb2312')#以gb2312編碼對字符串str進行解碼，獲得字符串類型對象u1

u2 = str.decode('utf-8')#如果以utf-8的編碼對str進行解碼得到的結果，將無法還原原來的字符串內容

3.   文件讀取問題

假如我們讀取一個文件，文件保存時，使用的編碼格式，決定了我們從文件讀取的內容的編碼格式，例如，我們從記事本新建一個文本文件test.txt, 編輯內容，保存的時候注意，編碼格式是可以選擇的，例如我們可以選擇gb2312,那么使用python讀取文件內容，方式如下：

f = open('test.txt','r')

s = f.read() #讀取文件內容,如果是不識別的encoding格式（識別的encoding類型跟使用的系統有關），這里將讀取失敗

'''假設文件保存時以gb2312編碼保存'''

u = s.decode('gb2312') #以文件保存格式對內容進行解碼，獲得unicode字符串

'''下面對內容進行各種編碼的轉換了'''

str = u.encode('utf-8')#轉換為utf-8編碼的字符串str

str1 = u.encode('gbk')#轉換為gbk編碼的字符串str1

str1 = u.encode('utf-16')#轉換為utf-16編碼的字符串str1

python給我們提供了一個包codecs進行文件的讀取，這個包中的open()函數可以指定編碼的類型：

import codecs

f = codecs.open('text.text','r+',encoding='utf-8')#必須事先知道文件的編碼格式，這里文件編碼是使用的utf-8

content = f.read()#如果open時使用的encoding和文件本身的encoding不一致的話，那么這里將將會產生錯誤

f.write('你想要寫入的信息')

f.close()

知識點：編碼格式

4.   知識點： 文件編碼格式

從文件編碼的方式來看，文件可分為ASCII碼文件和二進制碼文件兩種。

ASCII文件也稱為文本文件，這種文件在磁盤中存放時每個字符對應一個字節，用于存放對應的ASCII碼。例如，數5678的存儲形式為：
ASCII碼： 　00110101 00110110 00110111 00111000
　　　　　↓ 　　　　↓　　　　↓ 　　　↓
十進制碼： 5　　　　　6　　　　7　　　　8

共占用4個字節。ASCII碼文件可在屏幕上按字符顯示， 例如源程序文件就是ASCII文件，用DOS命令TYPE可顯示文件的內容。 由于是按字符顯示，因此能讀懂文件內容。

二進制文件是按二進制的編碼方式來存放文件的。 例如， 數5678的存儲形式為： 00010110 00101110只占二個字節。二進制文件雖然也可在屏幕上顯示，但其內容無法讀懂。C系統在處理這些文件時，并不區分類型，都看成是字符流，按字節進行 處理。輸入輸出字符流的開始和結束只由程序控制而不受物理符號(如回車符)的控制。 因此也把這種文件稱作“流式文件”。

問題一：

使用Windows記事本的“另存為”，可以在GBK、Unicode、Unicode big endian和UTF-8這幾種編碼方式間相互轉換。同樣是txt文件，Windows是怎樣識別編碼方式的呢？

我很早前就發現Unicode、Unicode big endian和UTF-8編碼的txt文件的開頭會多出幾個字節，分別是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但這些標記是基于什么標準呢？

問題二：

最近在網上看到一個ConvertUTF.c，實現了UTF- 32、UTF-16和UTF-8這三種編碼方式的相互轉換。對于Unicode(UCS2)、 GBK、UTF-8這些編碼方式，我原來就了解。但這個程序讓我有些糊涂，想不起來UTF-16和UCS2有什么關系。

查了查相關資料，總算將這些問題弄清楚了，順帶也了解了一些Unicode的細節。寫成一篇文章，送給有過類似疑問的朋友。本文在寫作時盡量做到通俗易懂，但要求讀者知道什么是字節，什么是十六進制。

4.1.   big endian和little endian

big endian和little endian是CPU處理多字節數的不同方式。例如“漢”字的Unicode編碼是6C49。那么寫到文件里時，究竟是將6C寫在前面，還是將49寫在前 面？如果將6C寫在前面，就是big endian。還是將49寫在前面，就是little endian。

“endian”這個詞出自《格列佛游記》。小人國的內戰就源于吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開，由此曾發生過六次叛亂，其中一個皇帝送了命，另一個丟了王位。

我們一般將endian翻譯成“字節序”，將big endian和little endian稱作“大尾”和“小尾”。

4.2.   字符編碼、內碼，順帶介紹漢字編碼

字符必須編碼后才能被計算機處理。計算機使用的缺省編碼方式就是計算機的內碼。早期的計算機使用7位的ASCII編碼，為了處理漢字，程序員設計了用于簡體中文的GB2312和用于繁體中文的big5。

GB2312(1980年)一共收錄了7445個字符，包括6763個漢字和682個其它符號。漢字區的內碼范圍高字節從B0-F7，低字節從A1-FE，占用的碼位是72*94=6768。其中有5個空位是D7FA-D7FE。

GB2312 支持的漢字太少。1995年的漢字擴展規范GBK1.0收錄了21886個符號，它分為漢字區和圖形符號區。漢字區包括21003個字符。2000年的 GB18030是取代GBK1.0的正式國家標準。該標準收錄了27484個漢字，同時還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字。現在的PC平臺必須支持GB18030，對嵌入式產品暫不作要求。所以手機、MP3一般只支持GB2312。

從ASCII、 GB2312、GBK到GB18030，這些編碼方法是向下兼容的，即同一個字符在這些方案中總是有相同的編碼，后面的標準支持更多的字符。在這些編碼中，英文和中文可以統一地處理。區分中文編碼的方法是高字節的最高位不為0。按照程序員的稱呼，GB2312、GBK到GB18030都屬于雙字節字符集 (DBCS)。

有的中文Windows的缺省內碼還是GBK，可以通過GB18030升級包升級到GB18030。不過GB18030相對GBK增加的字符，普通人是很難用到的，通常我們還是用GBK指代中文Windows內碼。

這里還有一些細節：

GB2312的原文還是區位碼，從區位碼到內碼，需要在高字節和低字節上分別加上A0。

在DBCS中，GB內碼的存儲格式始終是big endian，即高位在前。

GB2312 的兩個字節的最高位都是1。但符合這個條件的碼位只有128*128=16384個。所以GBK和GB18030的低字節最高位都可能不是1。不過這不影 響DBCS字符流的解析：在讀取DBCS字符流時，只要遇到高位為1的字節，就可以將下兩個字節作為一個雙字節編碼，而不用管低字節的高位是什么。

4.3.   Unicode、UCS和UTF

前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下兼容的。而Unicode只與ASCII兼容（更準確地說，是與ISO-8859-1兼容），與GB碼不兼容。例如“漢”字的Unicode編碼是6C49，而GB碼是BABA。

Unicode 也是一種字符編碼方法，不過它是由國際組織設計，可以容納全世界所有語言文字的編碼方案。Unicode的學名是"Universal Multiple-Octet Coded Character Set"，簡稱為UCS。UCS可以看作是"Unicode Character Set"的縮寫。

根據維基百科全書(http: //zh.wikipedia.org/wiki/)的記載：歷史上存在兩個試圖獨立設計Unicode的組織，即國際標準化組織（ISO）和一個軟件制造商的協會（unicode.org）。ISO開發了ISO 10646項目，Unicode協會開發了Unicode項目。

在1991年前后，雙方都認識到世界不需要兩個不兼容的字符集。于是它們開始合并雙方的工作成果，并為創立一個單一編碼表而協同工作。從Unicode2.0開始，Unicode項目采用了與ISO 10646-1相同的字庫和字碼。

目前兩個項目仍都存在，并獨立地公布各自的標準。Unicode協會現在的最新版本是2005年的Unicode 4.1.0。ISO的最新標準是10646-3:2003。

UCS規定了怎么用多個字節表示各種文字。怎樣傳輸這些編碼，是由UTF(UCS Transformation Format)規范規定的，常見的UTF規范包括UTF-8、UTF-7、UTF-16。

IETF 的RFC2781和RFC3629以RFC的一貫風格，清晰、明快又不失嚴謹地描述了UTF-16和UTF-8的編碼方法。我總是記不得IETF是 Internet Engineering Task Force的縮寫。但IETF負責維護的RFC是Internet上一切規范的基礎。

4.4.   UCS-2、UCS-4、BMP

UCS有兩種格式：UCS-2和UCS-4。顧名思義，UCS-2就是用兩個字節編碼，UCS-4就是用4個字節（實際上只用了31位，最高位必須為0）編碼。下面讓我們做一些簡單的數學游戲：

UCS-2有2^16=65536個碼位，UCS-4有2^31=2147483648個碼位。

UCS -4根據最高位為0的最高字節分成2^7=128個group。每個group再根據次高字節分為256個plane。每個plane根據第3個字節分為 256行 (rows)，每行包含256個cells。當然同一行的cells只是最后一個字節不同，其余都相同。

group 0的plane 0被稱作Basic Multilingual Plane, 即BMP。或者說UCS-4中，高兩個字節為0的碼位被稱作BMP。

將UCS-4的BMP去掉前面的兩個零字節就得到了UCS-2。在UCS-2的兩個字節前加上兩個零字節，就得到了UCS-4的BMP。而目前的UCS-4規范中還沒有任何字符被分配在BMP之外。

4.5.   UTF編碼

UTF-8就是以8位為單元對UCS進行編碼。從UCS-2到UTF-8的編碼方式如下：

例如“漢”字的Unicode編碼是6C49。6C49在0800-FFFF之間，所以肯定要用3字節模板了：1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進制是：0110 110001 001001， 用這個比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。

讀者可以用記事本測試一下我們的編碼是否正確。

UTF -16以16位為單元對UCS進行編碼。對于小于0x10000的UCS碼，UTF-16編碼就等于UCS碼對應的16位無符號整數。對于不小于 0x10000的UCS碼，定義了一個算法。不過由于實際使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以認為UTF -16和UCS-2基本相同。但UCS-2只是一個編碼方案，UTF-16卻要用于實際的傳輸，所以就不得不考慮字節序的問題。

4.6.   UTF的字節序和BOM

UTF -8以字節為編碼單元，沒有字節序的問題。UTF-16以兩個字節為編碼單元，在解釋一個UTF-16文本前，首先要弄清楚每個編碼單元的字節序。例如收 到一個“奎”的Unicode編碼是594E，“乙”的Unicode編碼是4E59。如果我們收到UTF-16字節流“594E”，那么這是“奎”還是 “乙”？

Unicode規范中推薦的標記字節順序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一個有點小聰明的想法：

在UCS 編碼中有一個叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的編碼是FEFF。而FFFE在UCS中是不存在的字符，所以不應該出現在實際傳輸中。UCS規范建議我們在傳輸字節流前，先傳輸 字符"ZERO WIDTH NO-BREAK SPACE"。

這樣如果接收者收到FEFF，就表明這個字節流是Big-Endian的；如果收到FFFE，就表明這個字節流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。

UTF -8不需要BOM來表明字節順序，但可以用BOM來表明編碼方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF（讀者可以用我們前面介紹的編碼方法驗證一下）。所以如果接收者收到以EF BB BF開頭的字節流，就知道這是UTF-8編碼了。

Windows就是使用BOM來標記文本文件的編碼方式的。

4.7.   進一步的參考資料

本文主要參考的資料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。

我還找了兩篇看上去不錯的資料，不過因為我開始的疑問都找到了答案，所以就沒有看：

"Understanding Unicode A general introduction to the Unicode Standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)

"Character set encoding basics Understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)

5.   參考資料：

python encode 和decode 函數說明

http://www.cnblogs.com/evening/archive/2012/04/19/2457440.html

https://blog.csdn.net/riyao/article/details/3629910

查找了一下,是說3.0現在的參數更改了,現在讀取的是bytes-like的,但參數要求是chart-like的,找了一下,加了個編碼:

data = data.decode('GBK')     

意思是不是：從bytes到str:調用方法decode().

一勞永逸解決：TypeError: cannot use a string pattern on a bytes-like object

https://blog.csdn.net/jieli_/article/details/70166244

不太明白，再想想

最近寫代碼，python2和python3之間切換，難免會碰到一些問題，有些方法比如re模塊的findall要求傳入的是字符串格式的參數，urllib.request.urlopen(url).read()返回的是bytes類型（這個是python3中才有的類型，所以很多python2中的方法都相應更改了）的，這樣傳參就會報以上錯誤。

python3中Unicode字符串是默認格式（就是str類型），ASCII編碼的字符串（就是bytes類型，bytes類型是包含字節值，其實不算是字符串，python3還有bytearray字節數組類型）要在前面加操作符b或B；python2中則是相反的，ASCII編碼字符串是默認，Unicode字符串要在前面加操作符u或U

一勞永逸的解決方法就是根據你傳進來的參數自動辨別編碼格式，然后進行相應的解碼，就搞定啦：

import chardet   #需要導入這個模塊，檢測編碼格式

encode_type = chardet.detect(html) 

html = html.decode(encode_type['encoding']) #進行相應解碼，賦給原標識符（變量）

從str到bytes:調用方法encode().

編碼是把Unicode字符串以各種方式編碼成為機器能讀懂的ASCII字符串

從bytes到str:調用方法decode().