最近，我在把一个Python 2的视频下载工具youku-lixian改写成Python 3，并添加了自己需要的YouTube支持。
在Linux下，事情进行得很顺利：所有的东西都用UTF-8进行编码。Python 3里的str类型从2.x版本的ASCII字符串变成了Unicode字符串；我移除了原来代码里关于本地编码类型的判断处理部分。程序从抓取的页面上解析出视频标题部分的Unicode字符串，直接print()显示到标准输出，一切看起来很和谐。
假定我抓取的这个视频标题是中文，叫做“你好，世界”。众所周知，得益于Python良好的Unicode支持，输出它只需要简单的一句：
print('你好，世界')
在天杀的Windows 7下测试这个程序时，麻烦就出现了。如果你想知道我为什么这么说，请继续看下去。
我所不了解的Windows
去年从学校拿到这台Dell笔记本时，Windows 7自然是预装在上面的。
系统语言已经设置成了英语。很快，我对瑞典语键盘的布局感到极其不适应：它的标点符号位置与英语键盘布局有很大区别，分号、冒号、单引号双引号、斜杠反斜杠这些程序员司空见惯的符号，和美式英语键盘完全不同。于是，我把键盘布局换回了习惯的英语键盘，顺便把控制面板的“区域”选项也一概从瑞典换到了英语/美国。
在很长一段时间里，除了界面是英文以外，它看起来和以往用的中文系统没什么区别：有默认的中文字体，输入法可以添加中文的。我平时用它做的，只有：上网，挂迅雷，拿IE登网银，玩Mirror's Edge，几件事而已。
文件系统是Unicode编码的，Web浏览器是支持Unicode的，偶尔用的文本编辑器也是一律设置成UTF-8的。而且我们知道，从Windows 2000起，Windows的内码实现是使用UTF-16LE的。几乎让人快要忘了还有代码页这么一回事。
可是，如果要在英文Windows系统的命令提示符里执行这个简单的输出Unicode文本的程序：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
if __name__ == '__main__':
print('你好，世界')
Python就会跳出来一段错误：
File "c:\Python32\lib\encodings\cp437.py", line 19, in encode
return codecs.charmap_encode(input,self.errors,encoding_map)[0]
UnicodeEncodeError: 'charmap' codec can't encode characters in position 0-1:
character maps to <undefined>
难道Python 3不是支持Unicode的吗？难道它不是跨平台的吗？
第一个问题，基本上是对的，Python 3确实支持Unicode，这种支持体现在它把所有的str字符串都作为Unicode处理这件事情上。
第二个问题，不完全，跨平台的可移植性是有条件的。Python本身是支持Unicode，但是如果遇上了非Unicode的古董环境，那就一点办法也没有。
什么叫“非Unicode的古董环境”呢……不，我说的不是DOS。这个东西，竟然就是Windows上的cmd.exe，每个人或多或少都用过的命令行环境。
cmd.exe，从MinGW到Python，基本上每个Windows下需要接触命令行的开发人员都躲不过去的东西，微软怎么就不能把它做好些？窗口大小不能随心所欲改也就算了，不能全屏显示也就算了，字体大小屏幕缓冲设置各种限制也就算了，鼠标拖拽不方便也就算了，命令行补全补不全也就算了，你好歹能把默认编码改成用Unicode吧？一个破窗口从二十年前的3.x时代沿用到今天的Windows 7，从依赖DOS的command.com到独立的cmd.exe，尼玛这么多年了，也没见功能上有什么实质的改进，是不是在微软眼里所有的程序员都在拿个白花花的IDE“做你的code”、不需要命令行了？
（在Windows已经完全使用UTF-16作为内码实现的今天，cmd.exe仍然在使用系统默认的代码页，我所能想到的唯一理由就是为了保持和以前的non-Unicode程序兼容——不过这理由也太弱了吧）
微软有功夫把Windows 8的界面做得花里胡哨，不过看样子他们是压根不打算把cmd.exe这个东西做得更好用些。不继续喷下去了，说处理问题的经过：
前面Python的错误信息里提到了个文件cp437.py。既然是cp437什么的，那就一定是Python在试图把Unicode字符串转换成用于输出的437代码页（英语/美国）时出了错。
为什么Python要把一个好端端的Unicode字符串转换成cp437呢？这很容易想通，因为程序是在cmd.exe这个终端环境下执行的。在我的英文系统上，它的活动代码页是437（英语/美国）。从代码中的Unicode字符串到输出cp437的这一步转换，是由Python解释器来实现的，所以会由Python抛出一个错误，而不是直接在控制台输出一堆乱码。
首先想到的解决方案，自然是改变当前cmd.exe的活动代码页到UTF-8 Unicode：
chcp.com 65001
不幸的是，这导致Python解释器直接崩溃了：
Fatal Python error: Py_Initialize: can't initialize sys standard streams
LookupError: unknown encoding: cp65001
This application has requested the Runtime to terminate it in an unusual way.
Please contact the application's support team for more information.
LookupError: unknown encoding: cp65001
搜了一下才发现，Python 3.2目前并不支持Windows上面的cp65001。话说65001代码页不就是UTF-8嘛（囧囧囧囧囧）
与其说是不支持，不如说是bug更合适些。因为执行之后Windows就跳出一个警告框说“python.exe已经停止响应”了……
于是，试着改变代码页到GBK：
chcp.com 936
结果却是：
Invalid code page
Windows声称这是一个无效的代码页。为什么？
编码是什么
好了，暂且忘记cmd.exe诸如此类令人不愉快的东西，在IDLE上试一试。
我不知道有多少Linux程序员写Python的时候会用到IDLE。对于这些习惯了终端+文本编辑器的用户来说，IDLE看起来是个无关紧要的附属品，也许它的定位只是用来帮助初学者入门的一个开发环境？
不过，容易被人们忽略的一点是：IDLE本身是个跨平台的环境，这意味着它可以无条件支持Unicode（只要系统上有相应的字体），用它来解释执行程序不必受制于特定终端环境的拘束。这一点在Windows上很重要，因为cmd.exe这玩意实在是太差劲了，所以估计很多人在Windows下交互执行Python的时候还是会选择IDLE的。
进入IDLE。我们可能要关心一下这个Windows系统下面的默认编码方式是什么，Python 3里面有两个函数：
>>> sys.stdout.encoding; locale.getpreferredencoding()
'cp1252'
'cp1252'
第一个sys.stdout.encoding是指标准输出的编码，第二个locale.getpreferredencoding则是系统本地化设置的编码。两者是有区别的。现在我们看到，它们在当前环境下是相同的，都是默认的cp1252，也就是传说中的“ANSI”代码页。
恩，我们已经知道IDLE是一个完全跨平台的环境，所以在IDLE上输出Unicode字符可以得到和Linux环境下同样和谐的结果：
>>> print('你好，世界')
你好，世界
顺便看看“你好，世界”的UTF-8编码和GBK是什么，如果强制用其他编码方式来解码又会得到怎样的结果（后面也许会用到）。可以看到，5个全角字符在UTF-8编码下是15个字节，每个字符占3 bytes；在GBK编码下是10个字节，每个字符占2 bytes。
虽然没有什么实际的意义，不过还是可以注意到：UTF-8编码的字符是无法用GBK解码的，哪怕是乱码有时候也不行，因为可能会出现奇数字节长度，这在GBK下不合法；反之GBK编码字符亦无法用UTF-8解码，因为有无效字符值的存在。
借助IDLE看到了“你好，世界”各种编码的详细情况。现在我们可以回到cmd.exe里面看一看下面这段程序的运行结果了：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import sys, locale
if __name__ == '__main__':
print(sys.stdout.encoding, locale.getpreferredencoding())
try:
print('你好，世界')
except Exception as err:
print(str(err))
首先通过chcp确认，cmd.exe的当前活动代码页是437（英语/美国），而非IDLE里的1252（ANSI）。这是由于我的Windows里对non-Unicode程序的区域设置是“英语/美国”的缘故。
程序运行的结果是：
cp437 cp1252
'charmap' codec can't encode characters in position 0-4:
character maps to <undefined>
可以看到sys.stdout.encoding实际上就是当前环境下活动代码页的值。locale.getpreferredencoding()没变，仍然是系统默认的cp1252。
之后抛出的异常是在我们预料之中的，正如此前一样，Python尝试把Unicode字符串转换成cmd终端下的cp437代码页编码。而中文字符本来就是没有对应的cp437编码的，所以Python报错。
Google一下'charmap' codec can't encode characters in position 0-4: character maps to <undefined>这个错误。在Stack Overflow上，有人提到了解决的方法：设置一个叫做PYTHONIOENCODING的环境变量。
PYTHONIOENCODING环境变量
所谓的PYTHONIOENCODING，既可以作为环境变量存在，也可以作为Python的命令行参数传递。它用于指定Python程序标准输入输出（stdin/stdout/stderr）的编码。（注意这个编码不是指源代码的编码，和Python程序开头常见的# -*- coding: utf-8 -*-是两码事）
在没有这个环境变量时
如前面所述，Python会试图把内部Unicode编码的字符串转化成当前执行程序的终端环境下所使用的编码方式（sys.stdout.encoding）后输出。对于当前代码页437的cmd.exe来说，把只含有英文数字的字符串转成cp437编码没有任何问题；但是一旦遇上了中文字符，英语/美国的437代码页里必然是找不到对应的编码的，于是Python就会报错。
如果当前代码页设成65001，Python 3.2会崩溃，这是本身实现上的问题。在最新的Python 3.3 beta中已经增加了对cp65001的支持。
在设置了这个环境变量时
通过
set PYTHONIOENCODING=utf-8
或（PowerShell下）
$env:PYTHONIOENCODING = "utf-8"
PYTHONIOENCODING指定的编码方式会覆盖原来的sys.stdout.encoding。如果将PYTHONIOENCODING设置为utf-8，那么Python在输出Unicode字符串的时候就会以UTF-8输出，相当于什么也不转换。
再次执行该Python程序，这一次Python不再尝试自动转换Unicode的中文字符到cp437中的对应字符，程序成功运行，sys.stdout.encoding变成了utf-8，字符串输出则是乱码：
utf-8 cp1252
你好，世界
这与我们之前在IDLE中将UTF-8编码的文本强制用cp437解码得到的结果是完全相同的：
>>> print(bytes('你好，世界', 'utf-8').decode('cp437'))
你好，世界
Python直接把UTF-8编码的字符串输出到了cp437代码页的终端，相当于强制用cp437来解码UTF-8文本，产生了无意义的乱码。
用文本编辑器写一个内容是“你好，世界”的文件，以UTF-8编码保存。在cmd.exe下通过type显示，结果和上面是相同的。
cmd.exe和PowerShell ISE的微妙之处对比
在当前区域设置（英语/美国）下，两者执行chcp.com显示的当前活动代码页都是437。
只有cmd下Python的sys.stdout.encoding默认是cp437（与活动代码页相同）；PowerShell ISE下sys.stdout.encoding则是cp1252（ANSI）。
locale.getpreferredencoding永远是系统本身默认的cp1252，这是一个系统全局值。
cmd无法输入中文，不能正确显示文件系统中的中文文件名；PowerShell ISE能够输入中文，能显示中文文件名。
在缺少936代码页的情况下，两者都不能够通过执行脚本或type文件内容正确显示中文字符（无论是GBK还是UTF-8），会产生乱码。
为什么Windows会缺少GBK代码页？
回到最初的那个问题上来，为什么执行chcp.com 936不能切换到GBK代码页？为什么cmd.exe和PowerShell里不能正常显示中文？
这个问题让我百思不得其解。花了几个小时找到了原因，简而言之：因为Windows的“区域和语言”设置不对。
“Language for non-Unicode programs”这个选项不是简体中文，所以就不能用GBK，手动chcp.com也会告诉你该代码页无效。所以必须要在控制面板里设置成简体中文，重启后才能生效。
好吧，问题来了，为什么这里只能单选？如果我既想使用936（GBK）编码的应用程序，又想使用932（日语）编码的应用程序，难道每次都要在这里改完后再重启吗？为什么他们不能给一个详细的代码页列表让用户多选、需要时可以动态加载？
Windows设计的龌龊之处就在这里。如果你不去设置system locale为中文并重启，所有non-Unicode程序里的中文字符集都是不会出现的，只能显示成一个方框，比如cmd.exe里：
还有Vim里（set fileencodings=utf-8,gbk），GBK编码的文本和UTF-8编码的文本都一样无法显示。（按理说Vim应该不能算non-Unicode程序吧……谁知道呢？！）
改过"Language for non-Unicode programs”为中文并且重启系统之后，Vim立即显示正常：
再进cmd.exe，默认活动代码页936。这段Python程序终于也能正确输出了：
也许Windows这种蛋疼的设计是因为考虑到英文用户一般不会需要多余的Unicode和代码页字符集，这么做可以节省系统启动时间？谁知道呢，Windows用户不是最喜欢拿所谓的“启动时间快”作为衡量系统性能的指标了吗……
切换到cp65001（UTF-8 Unicode），PYTHONIOENCODING设置成utf-8，按理来说这种方式不应该出问题，但是这输出怎么看都不像是正常（如下图所示）。不想深究到底为什么了，总之Windows下面东西的复杂程度以我这种智商是永远都不能够理解的……
Python除了标准输入输出，还有……
文件名
open('文件名测试', 'w')
Python中对文件系统的操作基本上是不受默认编码影响的，只要sys.getfilesystemencoding()的结果是utf-8（现代Linux）或者mbcs（现代Windows NT系统上）。两者本质上都是Unicode编码。
文件输入输出
文件读写不属于标准I/O，因此和环境变量PYTHONIOENCODING无关。
for c in ['utf-8', 'gbk']:
with open('test_%s.txt' % c, 'w', encoding=c) as output:
try:
output.write('你好，世界\n')
except Exception as err:
print('\nWriting to file using %s:\n' % c, str(err))
由于在open()中显式指定了中文编码方式（encoding='utf-8'或encoding='gbk'），输出“你好，世界”这样的中文文本在任何平台上都应该能够得到正确的结果。
然而对于：
with open('test_default.txt', 'w') as output:
try:
output.write('你好，世界\n')
except Exception as err:
print('\nWriting to file using default encoding:\n', str(err))
由于没有指定编码方式，Python会自动使用系统默认的编码方式来进行输出。如果系统默认编码是cp437或cp1252，由于中文字符在这些代码页中显然不存在对应值，Python会抛出一个熟悉的错误：
File "c:\Python32\lib\encodings\cp437.py", line 19, in encode
return codecs.charmap_encode(input,self.errors,encoding_map)[0]
UnicodeEncodeError: 'charmap' codec can't encode characters in position 0-1:
character maps to <undefined>
当然，当系统默认编码为cp936（GBK）时，无论
output.write('你好，世界')
还是
print('你好，世界')
都可以正常工作。因为“你好，世界”这个Unicode字符串是可以被完全转换成GBK中的对应编码的。
一些总结和思考
虽然Python 3使用Unicode编码的字符串，但是在跨平台的程序中依然要取得系统的默认编码用于后续处理，因为并不是所有的终端环境都支持全部的Unicode字符集：
if sys.stdout.isatty()
default_encoding = sys.stdout.encoding
else
default_encoding = locale.getpreferredencoding()
无论何时，不要随心所欲地用print()向stdout输出Unicode字符串。如果某个要输出的Unicode字符（比如，中文字）在系统默认编码的字符集（比如，代码页437）上没有，Python这时就会抛出一个错误。这其实在大部分时候并不是我们想看到的局面，我们总希望即使有时会输出一些无意义的乱码，程序整体上也能正确运行。拿视频下载工具的例子来说，即使由于终端的关系有时无法正确显示视频名称，这问题并不太严重，因为程序总是可以把抓取的视频内容写入正确的文件的。
在程序中获取了系统默认的default_encoding，我们就可以强制用它来对Unicode字符串进行编码，至少避免了Python在自动转码过程中可能会抛出的错误——虽然结果可能只是得到一堆乱码。另外一种处理方式是对于这样的字符串，我们决定根本不去输出它们。
我们比较愿意看到的情况是：如果程序会输出且只会输出中文，而你假想中的Windows用户群所使用的代码页是936（GBK）——尽管在程序中使用Unicode字符串吧，这样做不会带来任何问题。
但是，如果不能确定要处理的Unicode文本会限定在哪个代码页字符集的范围当中：中文？梵文？希伯来文？阿拉伯文？还是……火星文？这个时候就必须考虑到世界上还有“编码方式差异”这回事了。当然，最好的解决方式也许是：告诉用户，去他的代码页，去他的什么437、500、936、1252……这堆诡异的数字，去他的Bush hid the facts，扔掉设计上如此糟糕、编码方式如此混乱和不一致的Windows，转投一个让生活更简单的操作系统吧。
