解決python中文處理亂碼，先要弄懂“字元”和“位元組”的差别

我來講一下字元問題我的了解吧，雖然我對Python的編碼處理的具體細節還不太清楚，不過臨時稍微看了一下，和Perl的原理也差不多 

最重要的是必須區分“字元”和“位元組”的不同，“字元”是抽象的，而“位元組”是具體的 

比如一個“中”字，在不同編碼中用如下位元組表示： 

    GBK      Big5        UTF-8     UTF-16LE 

\xD6\xD0  \xA4\xA4  \xE4\xB8\xAD  \x2D\x4E 

所謂“抽象”的“字元”的“中”，并不是指“\xD6\xD0”或“\xA4\xA4”或任何位元組，應該把它了解成：GBK編碼中“\xD6\xD0”字 節所指代的那個字元（語言學中的能指→所指），或者UTF-8編碼中“\xE4\xB8\xAD”所指代的那個字元，但并不是這些具體位元組本身 

問題是，抽象的字元要作為資料進行存儲和傳遞，就必須有具體的形式，也就是說你在程式内部實作中，要存儲“中”這個字元，你必須采用某些特定的位元組。你可 以用“\xD6\xD0”，也可以用“\xE4\xB8\xAD”，也可以用“\x2D\x4E”，Python在Windows下采用的是UTF- 16LE（？），也就意味着它的“字元”的載體編碼是UTF-16LE 

sys.setdefaultencoding(name) 

Set the current default string encoding used by the Unicode implementation. 

文檔上是這麼寫的，如果我的了解沒錯的話，這個函數的作用就是改變“字元”的載體編碼，sys.setdefaultencoding('gbk')以後，“中”這個字元在程式内部就不是用“\x2D\x4E”來承載，而是用“\xD6\xD0”來承載了 

Python2.x裡的str和unicode有什麼差別呢？從字面意義上看容易混淆，實際上，你可以把它了解成str是“位元組串”，unicode是“字元串”（string總是翻譯成“字元串”，在這裡就很容易把人繞暈），看下面的例子： 

# -*- coding: gb2312 -*- 

s = "張三李四" 

print len(s) #=> 8 

u = s.decode('gbk') 

print len(u) #=> 4 

我的腳本編碼用的是GBK，而不是UTF-8，你會看到len(s)是8，這是這四個漢字所用的實際8個“位元組”，而len(u)是4，這就表示這裡有4個“字元” 

encode和decode是什麼意思呢？所謂編碼，就是把意義轉換成符号；而解碼，就是把符号還原成意義。在這裡，encode應該了解成把抽象的字元轉換成具體的位元組，而decode是把具體的位元組還原成抽象的字元 

現在的問題是：str類和unicode類都同時具有encode和decode方法，這是一個讓我很不以為然的設定。如果按照位元組與字元的區 分，encode方法是應該隻歸unicode類所有，decode方法是隻歸str類所有的，因為“意義”隻能轉換成“符号”，“意義”再還原成“意 義”這本身就沒有意義。 

假如我們這樣： 

u = s.decode('gbk') # 沒問題，位元組解碼為字元，符号還原為意義 

s2 = s.encode('gbk') 

  # 出錯了！位元組沒法再編碼成位元組，除非s全部是ASCII字元，但是這樣s2和s是完全等同的，這個操作有什麼意義？ 

u2 = u.decode('gbk') 

  # 又出錯了！也隻能u隻包含ASCII字元，u2和u也是完全等同，這個操作也沒有意義 

在這裡提一下Perl的處理方式，我不知道Python處理編碼的原理是否是直接得自Python，還是說這是各門語言共同的做法（但是Ruby又不是這樣做的），總之Python2.x是有缺陷的 

Perl裡隻有一種string，它實際也區分字元串和位元組串（以UTF-8作為底層的承載編碼），但不像Python2.x分str和unicode， 而是string内部有一個utf8的flag，這個flag是on的時候，這個string就是一個“字元”串，這個flag是off的時候就是一個 “位元組”串，它的編碼、解碼函數如下： 

$octets = encode(ENCODING, $string [, CHECK]) 

$string = decode(ENCODING, $octets [, CHECK]) 

$octets就是位元組串，$string就是字元串，也就是說，encode隻對$string起作用，而decode隻對$octets起作用，不像 Python是str和unicode兩類兩個方法都有，但是其實各有一個是沒用的。Larry Wall是語言學家，他設計的這一套字元、位元組關系是完全符合語言學中的“能指-所指”理論的，而GvR恐怕就對語言學不在行了，Python的處理就不 怎麼精妙了。 

再來說一下file.write為什麼有編碼問題： 

f = open('text.txt','w') 

f.write(u) # 出錯！ 

f.write(u.encode('gbk')) # 這樣才行 

出錯的原因很簡單，你想輸出的是“字元”，而不是“位元組”。上面說過，“字元”是抽象的，你是沒有辦法把一個抽象的東西寫到檔案裡去的。雖然抽象的字元下 面肯定是有具體的承載位元組的，但是Python似乎并不願意把unicode底層的位元組跟IO攪在一起，這就導緻f.write(a_unicode)的 失敗，當然a_unicode假如隻包含ASCII字元，這個可以成功，然而這是一種捷徑，是一條讓人越來越糊塗的捷徑 

然後再是u标記的意義是什麼？很簡單，就是自動完成位元組→字元的轉換 

s_or_u1 = "張三李四" 

print type(s_or_u1) #=> <type 'str'> 

s_or_u2 = u"張三李四" 

print type(s_or_u2) #=> <type 'unicode'> 

u"張三李四"就相當于"張三李四".decode(a_enc)，這裡的a_enc就是#coding行設定的gb2312 

不得不說，（不知是不是從Perl得來的）這套字元處理方式很晦澀，字元、位元組區分的概念實在不太容易了解，而Python本身的細節處理也沒有做 好，Perl做得很幹淨了，都不容易了解，Python沒做幹淨更不行了。另外再附贈簡單介紹Ruby的字元處理方式，跟Perl完全不同： 

Ruby中沒有字元、位元組的區分，一切字元串都是“帶有一個編碼屬性的位元組串”。因為沒有抽象的字元，是以就沒有位元組→字元的轉換，也就根本沒有、也不需 要decode方法，Ruby的String類隻有encode方法。因為沒有抽象的“字元”概念，Ruby的編碼問題應該比Perl、Python容易 了解。沒有“字元”的還有一個好處是：處理多位元組文本無需經過中間轉換。你要在Perl裡進行中文字元，來源檔案是GBK編碼的，實際都得先轉換成 UTF-8，Perl才能處理：Python要先轉化成UTF-16才能處理。對于海量文本來說，這一轉換過程肯定是要耗費一定的資源的。而Ruby不需 要這種轉換，直接就能處理GBK或其他編碼了。可能這樣做也是考慮了日文的實際，日文的shift-jis（？）是本土編碼，根本都不跟ASCII相容， 不像GBK是跟ASCII相容的，這樣做就不必轉換就能處理土著編碼的文檔了。如果說Perl的字元-位元組區分是語言學家的學院派做法的話，Ruby就是 契合了多位元組字元處理需要的實用派做法。

本文轉自黃聰部落格園部落格，原文連結：http://www.cnblogs.com/huangcong/archive/2013/03/26/2981972.html如需轉載請自行聯系原作者