大家好，又见面了，我是你们的朋友全栈君。

http://blog.csdn.net/pipisorry/article/details/44136297

字符编码详解

[字符编码ASCII，Unicode和UTF-8]

主要非英文字符集的编码范围

范围	编码	说明
2E80~33FFh	中日韩符号区	收容康熙字典部首、中日韩辅助部首、注音符号、日本假名、韩文音符， 中日韩的符号、标点、带圈或带括符文数字、月份， 以及日本的假名组合、单位、年号、月份、日期、时间等。
3400~4DFFh	中日韩认同文字扩充A区	中日韩认同表意文字扩充A区，总计收容6,582个中日韩汉字。
4E00~9FFFh	中日韩认同表意文字区	中日韩认同表意文字区，总计收容20,902个中日韩汉字。
A000~A4FFh	彝族文字区	收容中国南方彝族文字和字根
AC00~D7FFh	韩文拼音组合字区	收容以韩文音符拼成的文字
F900~FAFFh	中日韩兼容表意文字区	总计收容302个中日韩汉字
FB00~FFFDh	文字表现形式区	收容组合拉丁文字、希伯来文、阿拉伯文、中日韩直式标点、小符号、 半角符号、全角符号等。

       匹配所有中日韩非符号字符,那么正则表达式应该是^[\u2E80-\u9FFF]+$, 包括我們臺灣省還在盲目使用的繁體中文。中文的正则表达式, 应该是^[\u4E00-\u9FFF]+$, 需要注意的是^[\u4E00-\u9FA5]+$这是专门用于匹配简体中文的正则表达式, 实际上繁体字也在里面, 也通过了, 当然, ^[\u4E00-\u9FFF]+$也是一样的结果。

皮皮Blog

 

Python源码的编码方式

str与字节码

s = "人生苦短"

        s是个字符串，它本身存储的就是字节码(这个s定义在文件中的一行，或者命令行中的一行)。那么这个字节码是什么格式的？

        如果这段代码是在解释器上输入的，那么这个s的格式就是解释器的编码格式，对于windows的cmd而言，就是gbk。

        如果将段代码是保存后才执行的，比如存储为utf-8，那么在解释器载入这段程序的时候，就会将s初始化为utf-8编码。

unicode与str

        我们知道unicode是一种编码标准，具体的实现标准可能是utf-8，utf-16，gbk ……

        python 在内部使用两个字节来存储一个unicode，使用unicode对象而不是str的好处，就是unicode方便于跨平台。

        你可以用如下两种方式定义一个unicode:（在python2中）

1 s1 = u"人生苦短"
2 s2 = unicode("人生苦短", "utf-8")

python3

        字符串实际就是用的unicode，直接s = “人生苦短”

        Note: py3定义bytes使用sb = b’dfja’

python 2.x和3.x中的字符串编码区别

        2.x中字符串有str和unicode两种类型，str有各种编码区别，unicode是没有编码的标准形式。unicode通过编码转化成str，str通过解码转化成unicode。

        3.x中将字符串和字节序列做了区别，字符串str是字符串标准形式与2.x中unicode类似，bytes类似2.x中的str有各种编码区别。bytes通过解码转化成str，str通过编码转化成bytes。

        2.x中可以查看unicode字节序列，3.x中不能。

Python 2：Python 2的源码.py文件默认的编码方式为ASCII

        如果想使用一种不同的编码方式来保存Python代码，我们可以在每个文件的第一行放置编码声明(encoding declaration)。

        以下声明定义.py文件使用windows-1252编码方式：# -*- coding: windows-1252 -*-

        Note: 1. 从技术上说，字符编码的重载声明也可以放在第二行，如果第一行被类UNIX系统中的hash-bang命令占用了。

                2. 了解更多信息，请参阅PEP263: 指定Python源码的编码方式。

Python 3：Python 3的源码.py文件 的默认编码方式为UTF-8

Python 3.x中的Unicode

        在Python 3.0之后的版本中，所有的字符串都是使用Unicode编码的字符串序列，同时还有以下几个改进：

1、默认编码格式改为unicode

2、所有的Python内置模块都支持unicode

3、不再支持u中文的语法格式

        所以，对于Python 3.x来说，编码问题已经不再是个大的问题，基本上很少遇到编码异常。

        在Python 3，所有的字符串都是使用Unicode编码的字符序列。不再存在以UTF-8或者CP-1252编码的情况。也就是说，这个字符串是以UTF-8编码的吗？不再是一个有效问题。UTF-8是一种将字符编码成字节序列的方式。如果需要将字符串转换成特定编码的字节序列，Python 3可以为你做到。如果需要将一个字节序列转换成字符串，Python 3也能为你做到。字节即字节，并非字符。字符在计算机内只是一种抽象。字符串则是一种抽象的序列。

>>> s = "深入 Python"
>>> len(s)
9
>>> s[0]
"深"
>>> s + " 3"
"深入 Python 3"s = "深入 Python"
>>> len(s)
9
>>> s[0]
"深"
>>> s + " 3"
"深入 Python 3"

1. Python中，字符串可以想像成由字符组成的元组。

2. Just like getting individual items out of a list, you can get individual characters out of a string using index notation.
   与取得列表中的元素一样，也可以通过下标记号取得字符串中的某个字符。

文件头声明编码

关于python文件头部分知识的讲解

顶部的:# -*- coding: utf-8 -*-或者# coding: utf-8目前有三个作用

1. 如果代码中有中文注释，就需要此声明。
2. 比较高级的编辑器（比如我的emacs），会根据头部声明，将此作为代码文件的格式。
3. 程序会通过头部声明，解码初始化 u”人生苦短”，这样的unicode对象，（所以头部声明和代码的存储格式要一致）。

Example2

url编码

        通过urllib.parse.quote 将字节序列转化成url的中文编码形式，逆过程是unquote函数。

1. >>> import urllib.parse  

2. >>> res = urllib.parse.quote(utfs)  

3. >>> res  

4. ‘%E5%8C%97%E4%BA%AC%E5%B8%82’

皮皮Blog

 

 

Python编码错误及解决方法

        字符串是Python中最常用的数据类型，而且很多时候你会用到一些不属于标准ASCII字符集的字符，这时候代码就很可能抛出UnicodeDecodeError: ascii codec cant decode byte 0xc4 in position 10: ordinal not in range(128)异常。这种异常在Python中很容易遇到，尤其是在Python2.x中。

        字符串在Python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。但是，Python 2.x的默认编码格式是ASCII，就是说，在没有指定  Python源码编码格式的情况下，源码中的所有字符都会被默认为ASCII码。也因为这个根本原因，在Python 2.x中经常会遇UnicodeDecodeError或者UnicodeEncodeError的异常。

Unicode为了能够处理Unicode数据，同时兼容Python某些内部模块，Python 2.x中提供了Unicode这种数据类型，通过decode和encode方法可以将其它编码和Unicode编码相互转化，但同时也引入了UnicodeDecodeError和UnicodeEncodeError异常。

python编码异常解决原则

1、终极原则：遵循PEP0263原则，声明编码格式 且 decode early, unicode everywhere, encode late

首先需要在文件头部声明编码：# -*- coding: <encoding name> -*-

在PEP 0263 Defining Python Source Code Encodings中提出了对Python编码问题的最基本的解决方法：在Python源码文件中声明编码格式，最常见的声明方式如下：

#!/usr/bin/python

# -*- coding: <encoding name> -*-

Note:其中<encoding name>是代码所需要的编码格式，它可以是任意一种Python支持的格式，一般都会使用utf-8的编码格式。# -*- coding: utf-8 -*-是Python文件声明,意思是：当前.py文件中所有的字符串是utf-8编码的，所以文件中的字符需要使用utf-8解码成unicode！

decode early, unicode everywhere, encode late

        在输入或者声明字符串的时候，尽早地使用decode方法将字符串转化成unicode编码格式（当然除了本身就是unicode的字符）；然后在程序内统一使用unicode格式进行处理，比如字符串拼接、字符串替换、获取字符串的长度、正则表达式等操作；最后，在return、输出字符串的时候（控制台/网页/文件），通过encode方法将字符串转化为你所想要的编码格式/输入时的编码格式。按照这个原则处理Python的字符串，基本上可以解决所有的编码问题。

获取字符串编码：

        input_encoding = 'utf-8'
        encodings = ['ascii', 'utf-8', 'gb2312', 'windows-1250', 'windows-1252']
        for e in encodings:
            try:
                source = source.decode(e)
                group_patterns = [g.decode(e) for g in group_patterns]
            except UnicodeDecodeError:
                continue
            else:
                print('str encoding:  %s ' % e)
                input_encoding = e
                break

或者安装chardet库

        import chardet
        input_encoding = chardet.detect(source)['encoding']
        source = source.decode(chardet.detect(source)['encoding'])
        group_patterns = [g.decode(chardet.detect(g)['encoding']) for g in group_patterns]

 但是这个库有时候识别会出错（毕竟是概率算法），如下面识别不了gbk：

print(chardet.detect(u'黑头'.encode('gbk'))['encoding'])
print(u'黑头'.encode('gbk').decode(chardet.detect(u'黑头'.encode('gbk'))['encoding']).encode('gbk'))

输出KOI8-R
�l�٧ިi

        另外还应该使用codecs模块打开文件，内置的open函数打开文件时，read方法读取的是一个str(私以为叫做字节数组更合适)，如果读取的是其它编码的文字，则需要decode之后再做使用。

        对于使用open函数打开文件之后的写操作（多字节编码的字符串），则需要将需要写入的字符串按照其编码encode为一个str，如果直接写入，则会引发如下错误（如果在代码中加入了encoding声明，则会按照声明的编码格式encode后写入）：

        除此以外，codecs模块也提供了一个open函数，可以直接指定好编码打开一个文本文件，那么读取到的文件内容则直接是一个unicode字符串。对应的指定编码后的写入文件，则可以直接将unicode写到文件中。通过codecs.open可以避免很多编码问题：

 

2、Reset默认编码

python中设置默认编码defaultencoding。Python中出现这么多编码问题的根本原因是Python 2.x的默认编码格式是ASCII，是许多错误的原因，所以你也可以通过以下的方式修改默认的编码格式：

import sys

sys.setdefaultencoding(utf-8)

如果你在python中进行编码和解码的时候，不指定编码方式，那么python就会使用defaultencoding。比如将str编码为另一种格式，就会使用defaultencoding。

s.encode("utf-8") 等价于 s.decode(defaultencoding).encode("utf-8")

Note: 这个过程是s先通过defaultencoding解码为unicode，再编码为utf-8类型的编码。

再比如你使用str创建unicode对象时，如果不说明这个str的编码格式，那么程序也会使用defaultencoding。

u = unicode("人生苦短") 等价于 u = unicode("人生苦短",defaultencoding)

Note: 可以解决部分编码问题，但是同时也可能引入很多其他问题。

3、使用u中文替代中文（py2）

str1 = ‘中文编码’

str2 = u’中文编码’

Python中有以上两种声明字符串变量的方式，它们的主要区别是编码格式的不同，其中，str1的编码格式和Python文件声明的编码格式一致，而str2的编码格式则是Unicode。如果你要声明的字符串变量中存在非ASCII的字符，那么最好使用str2的声明格式，这样你就可以不需要执行decode，直接对字符串进行操作，可以避免一些出现异常的情况。

Note: python3不支持u的声明方式。

4、升级Python 2.x到3.x

主要是因为Python 2.x的编码设计问题。当然，升级到Python 3.x肯定可以解决大部分因为编码产生的异常问题。毕竟Python 3.x版本对字符串这部分还是做了相当大的改进的。

原因参见前面关于python2.x和3.x的区别。

 

 

常见编码异常

常见编码异常

        Python中常见的几种编码异常有SyntaxError: Non-ASCII character、UnicodeDecodeError和UnicodeEncodeError等（几乎都只存在于python2中）。 python3基本没有编码异常，只要在头部声明# -*- coding: utf-8 -*-，python源代码中的字符就是utf-8，不需要decode encode。

1、SyntaxError: Non-ASCII character

        这种异常主要原因是Python源码文件中有非ASCII字符，而且同时没有声明源码编码格式，例如：

        s = ‘中文’

        print s

        # 抛出异常

        解决： 文件头部声明编码# -*- coding: utf-8 -*-

        Python2中，如果在源码首行(或在指定sha-bang时的第二行)不显式指定编码，则无法在源码中出现非ASCII字符。这是由于Python2解释器默认将源码认作ASCII编码格式。[PEP263]

2、UnicodeDecodeError

        这个异常有时候会在调用decode方法时出现，原因是Python打算将其他编码的字符转化为Unicode编码，但是字符本身的编码格式和decode方法传入的编码格式不一致，例如：

        #!/usr/bin/python

        # -*- coding: utf-8 -*-

        s = ‘中文’

        s.decode(‘gb2312’)

        #UnicodeDecodeError: gb2312 codec cant decode bytes in position 2-3: illegal multibyte sequenceprint s

Note:上面这段代码中字符串s的编码格式是utf-8(# -*- coding: utf-8 -*-声明的意思是：当前.py文件中所有的字符串是utf-8编码的)，但是在使用decode方法转化为Unicode编码时传入的参数是‘gb2312’，因此在转化的时候抛出UnicodeDecodeError异常。

        还有一种情况是在encode的时候：

        #!/usr/bin/python

        # -*- coding: utf-8 -*-

        s = ‘中文’

        s.encode(‘gb2312’)

        # UnicodeDecodeError: ascii codec cant decode byte 0xe4 in position 0: ordinal not in range(128)print s

Note:这里的s是utf-8编码的，直接使用s.encode(gb2312)实际使用了系统默认defalutencoding(ascii)来解码，等价于s.decode(defaultencoding).encode(gb2312),而s的实际编码与defaultencoding不同。

3、UnicodeEncodeError

        错误的使用decode和encode方法会出现这种异常，比如：使用decode方法将Unicode字符串转化的时候。比如下面s是unicode（所以不需要再decode，而是应该encode成utf-8）。

        #!/usr/bin/python

        # -*- coding: utf-8 -*-

        s = u’中文’

        s.decode(‘utf-8’)

        #UnicodeEncodeError: ascii codec cant encode characters in position 0-1: ordinal not in range(128)print s

print输出异常

       有一种情况还是会出现编码异常，就是使用print()时：

        print(‘测试‘)

        UnicodeEncodeError: ‘ascii’ codec can’t encode character ‘\uff1a’ in position **: ordinal not in range(128)

        出现这个错误的原因是因为print系统有它自己的编码，在一般python（2/3）环境中，输出时会将Unicode转化为utf-8，但是也可能是转化为ascii，这时如果unidoce中有中文就会出错。如果直接输出unicode字符串，编译器会自动encode输出为默认编码，但是如果是字符串列表是什么就输出什么不会处理编码，所以unicode最好还是自定义encode之后再输出。

        还有一种是，如果encode(‘gbk’)，但是文件头# -*- coding:utf-8 -*-输出也会乱码。输出时不能使用print(pattern.encode(‘utf-8’), group.encode(‘utf-8’))，而应该分开print，否则还是乱码但是不报错。

        标准输出的定义如下: sys.stdout = codecs.getwriter(“utf-8”)(sys.stdout.detach())

        查看输出编码：

print(sys.stdout) #或者sys.stdout.encoding
<_io.TextIOWrapper name='<stdout>' encoding='ANSI_X3.4-1968'>竟然不是utf-8！

        解决：

sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
#或者 sys.stdout = codecs.getwriter("utf-8")(sys.stdout.detach())
print(sys.stdout)
<_io.TextIOWrapper name='<stdout>' encoding='utf-8'>

        或者运行python的时候加上PYTHONIOENCODING=utf-8，即PYTHONIOENCODING=utf-8 python your_script.py

这时就能正确输出中文了。

python2输出示例

# -*- coding:utf-8 -*-
s = "人生苦短"  # su是一个utf-8格式的字节串
u = s.decode("utf-8")  # s被解码为unicode对象，赋给u
sg = u.encode("utf-8")  # u被编码为gbk格式的字节串，赋给sg
print u
print sg

输出都是

人生苦短
人生苦短       

python3输出示例

>>> ss = ‘北京市’  
>>> type(ss)  
<class ‘str’>  
>>> us = ss.encode(‘gbk’)  
>>> type(us)  
<class ‘bytes’>  
>>> us  
b’\xb1\xb1\xbe\xa9\xca\xd0′  
>>> utfs = ss.encode(‘utf-8’)  
>>> print(utfs)  
b’\xe5\x8c\x97\xe4\xba\xac\xe5\xb8\x82′  
>>> type(utfs)  
<class ‘bytes’>  
>>> xx = utfs.decode(‘utf-8’)  
>>> type(xx)  
<class ‘str’>  
>>> print(xx)  
北京市  

        encode后的bytes直接输出是这种形式b’\xe5\x8c\x97\xe4\xba\xac\xe5\xb8\x82′  ，需要decode成python3的str才可见中文。

更复杂示例

1 s = "人生苦短"
2 s.encode('gbk')

        看！str也能编码，(事实上unicode对象也能解码，但是意义不大)

Note:原理，当对str进行编码时，会先用默认编码将自己解码为unicode，然后在将unicode编码为你指定编码。

这就引出了python2.x中在处理中文时，大多数出现错误的原因所在：python的默认编码，defaultencoding是ascii

看这个例子

1 # -*- coding: utf-8 -*-
2 s = "人生苦短"
3 s.encode('gbk')

        上面的代码会报错，错误信息：UnicodeDecodeError: 'ascii' codec can't decode byte ......

        因为你没有指定defaultencoding,所以它其实在做这样的事情:

1 # -*- coding: utf-8 -*-
2 s = "人生苦短"
3 s.decode('ascii').encode('gbk')

python读取文件编码错误出现乱码

        首先用notepad++等文本查看器查看读取文件的编码，如文件编码为utf-8则使用utf-8编码方式打开{其它格式还有gbk, gb2312,ansi等等}

file = open(filename, encoding='UTF-8')

        基本没有编码错误，还是出现某几个字符错误也可以用‘ignore’忽略掉

file = open(filename, encoding='UTF-8', errors='ignore')

[java中文乱码解决之道]

python读取文件BOM字符处理

        在windows上使用open打开utf-8编码的txt文件时开头会有一个多余的字符\ufeff，它叫BOM,是用来声明编码等信息的,但python会把它当作文本解析。

        对UTF-16, Python将BOM解码为空字串。然而对UTF-8, BOM被解码为一个字符\ufeff。

        如何去掉bom字符？

        解决修改encoding为utf-8_sig或者utf_8_sig

        open(‘1.txt’, encoding=’utf_8_sig’ )

[python 的字符编码和中文处理]

[带 BOM 的 UTF-8」和「无 BOM 的 UTF-8」有什么区别？网页代码一般使用哪个？]

from:http://blog.csdn.net/pipisorry/article/details/44136297

ref: python中的str与unicode处理方法

http://mp.weixin.qq.com/s?__biz=MjM5NzU0MzU0Nw==&mid=204655326&idx=1&sn=cbe436b2ecf1bb7f4f11992756d407c7&from=singlemessage&isappinstalled=0#rd