Python字符串方面的知识

开发经常会遇到各种字符串编码的问题，例如报错SyntaxError: Non-ASCII character'ascii' codec can't encode characters in position 0-2: ordinal not in range(128)，又例如显示乱码。
由于之前不知道编码的原理，遇到这些情况，就只能不断的用各种编码decode和encode。。。。。
今天整理一个python中的各种编码问题的原因和解决方法，以后遇到编码问题，就不会像莽头苍蝇一样，到处乱撞了。

下面的python环境都是在2.7，听说在3.X中已经没有编码的问题了，因为所有的字符串都是unicode了，之后装个3.X试一下。

如果不知道什么是decode和encode，建议先看一下：这里

一、encoding的作用

1.在python文件中，如果有中文，就一定要在文件的第一行标记使用的编码类型，例如#encoding=utf-8,就是使用utf-8的编码，这个编码有什么作用呢？会改变什么呢？
demo1.py

# encoding=utf-8test='测试test'print type(test)print repr(test)

输出：

<type 'str'>'\xe6\xb5\x8b\xe8\xaf\x95test'

我们通过print把一个变量输出到终端的时候，IDE或者系统一般都会帮我们的输出作转换，例如中文字符会转成中文，所以就看不到变量的原始内容。
repr函数可以看这个变量的给python看的形式，也就是看到这个变量的原始内容
从上面的输出可以看到test变量的str类型，它的编码是utf-8的（怎么知道是utf-8，请看第三部分），也就是的encoding类型
如果我们把encoding改为gbk
demo2.py

# encoding=gbktest='测试test'print type(test)print repr(test)

输出

<type 'str'>'\xb2\xe2\xca\xd4test'

这样test的编码类型就变为gbk了。
所以这个encoding会决定在这个py文件中定义的字符串变量的编码方式。
而如果一个变量是从其他py文件导入，或者从数据库，redis等读取出来的话，它的编码又是怎样的？
a.py

# encoding=utf-8test='测试test'

b.py

# encoding=gbkfrom a import testprint repr(test)

输出

'\xe6\xb5\x8b\xe8\xaf\x95test'

a.py中定义test变量，a.py的编码方式是utf-8,b.py的编码方式是gbk,b从a中导入test，结果显示test依然为utf-8编码，也就是a.py的编码
所以encoding只会决定本py文件的编码方式，不会影响导入的或者从其他地方读取的变量的编码方式

二、常见报错codec can't encode characters的原因

python的程序经常会报错codec can't encode characters或codec can't decode characters

在python中定义一个字符串，

import sysprint sys.getdefaultencoding() # 输出 asciiunicode_test=u'测试test'print repr(str(unicode_test))

上面的代码会报错

 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

除了str方法外，如果操作两个都有中文的字符串，也会报错，但是只有其中一个有中文，却不会报错

unicode_test = u'测试test%s{0}'print '%stest' % unicode_test  # 不会报错print '%s测试' % unicode_test  #会报错print unicode_test % 'test'  #不会报错print unicode_test % '测试'  #会报错print unicode_test.format('test') #不会报错print unicode_test.format('测试') #会报错print unicode_test.split('test')  #不会报错print unicode_test.split('测试')  #报错print unicode_test + 'test'  #不会报错print unicode_test + '测试'  #会报错

为什么会这样？
这原因下面再解答，这里先列出这个报错的解决方法：
解决方法是：把系统的默认编码设置为utf-8

import sysreload(sys)sys.setdefaultencoding('utf-8')print sys.getdefaultencoding()unicode_test=u'测试test'

demo3.py
# encoding=utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
unicode_test=u'测试test'
utf8_test='测试test'
gbk_test=unicode_test.encode('gbk')

#合并unicode和utf-8merge=unicode_test+utf8_testprint type(merge)print repr(merge)#合并unicode和gbkmerge=unicode_test+gbk_testprint type(merge)print repr(merge)print merge#合并utf-8和gbkmerge=utf8_test+gbk_testprint type(merge)print repr(merge)print merge

这里定义三个分别是unicode，utf-8和gbk编码的字符串，unicode_test,utf8_test和gbk_test
1.合并unicode和utf-8的时候，输出：

<type 'unicode'>u'\u6d4b\u8bd5test\u6d4b\u8bd5test'

合并的结果的编码是unicode编码。
2.合并unicode和gbk，会报错：

'utf8' codec can't decode byte 0xb2 in position 0: invalid start byte

所以我们可以推测：
在python对两个字符串进行操作的时候，如果这两个字符串有一个是unicode编码，有一个是非unicode编码，python会将非unicode编码的字符串decode成unicode编码，再进行字符串操作
例如合并字符串的操作可以写成以下的function：

def merge_str(str1, str2):    if isinstance(str1, unicode) and not isinstance(str2, unicode):        str2 = str2.decode(sys.getdefaultencoding())    elif not isinstance(str1, unicode) and isinstance(str2, unicode):        str1 = str1.decode(sys.getdefaultencoding())    return str1 + str2

PS:sys.getdefaultencoding()的初始值是ascii
所以，
codec can't encode（decode） characters这个报错是encode或decode这两个方法产生的，而这个方法的参数是sys.getdefaultencoding()。如果用ascii编码对带有中文的字符串进行解码，就会报错。所以修改系统的默认编码可以避免这个报错。
当执行str操作时，python会执行unicode_test.encode(sys.getdefaultencoding()) ，所以也会报错。

3.#合并utf-8和gbk的时候却不会报错，python会直接把两个字符串合并，不会有decode或encode的操作，但是输出的时候，部分字符串会乱码。
demo4.py

# encoding=gbkimport sysreload(sys)sys.setdefaultencoding('utf-8')unicode_test = u'测试test'utf8_test = unicode_test.encode('utf-8')gbk_test = unicode_test.encode('gbk')merge = utf8_test + gbk_testprint type(merge)print repr(merge)print merge

这里文件的encoding是gbk，sys.getdefaultencoding()设置为utf-8，结果是：

<type 'str'>'\xe6\xb5\x8b\xe8\xaf\x95test\xb2\xe2\xca\xd4test'测试test����test

即gbk的部分乱码了。所以输出的时候会按照sys.getdefaultencoding()的编码来解码。

三、怎么判断一个字符串的编码方式

1. 没有办法准确地判断一个字符串的编码方式，例如gbk的“\aa”代表甲，utf-8的“\aa”代表乙，如果给定“\aa”怎么判断是哪种编码？它既可以是gbk也可以是utf-8
2. 我们能做的是粗略地判断一个字符串的编码方式，因为上面的例如的情况是很少的，更多的情况是gbk中的'\aa'代表甲，utf-8中是乱码，例如�，这样我们就能判断'\aa'是gbk编码，因为如果用utf-8编码去解码的结果是没有意义的
3. 而我们经常遇到的编码其实主要的就只有三种：utf-8，gbk，unicode

`

• unicode一般是\u带头的，然后后面跟四位数字或字符串，例如 \u6d4b\u8bd5，一个\u对应一个汉字
• utf-8一般是\x带头的，后面跟两位字母或数字，例如\xe6\xb5\x8b\xe8\xaf\x95\xe5\x95\x8a，三个\x代表一个汉字
• gbk一般是\x带头的，后面跟两位字母或数字，例如\xb2\xe2\xca\xd4\xb0\xa1，两个个\x代表一个汉字