Python3 是如何解决棘手的字符编码问题的?

vgms1297 2年前

题图:unsplash.com

Python3 最重要的一项改进之一就是解决了 Python2 中字符串与字符编码遗留下来的这个大坑。Python 编码为什么那么蛋疼?已经介绍过 Python2 字符串设计上的一些缺陷:

- 使用 ASCII 码作为默认编码方式,对中文处理很不友好。

- 把字符串牵强地分为 unicode 和 str 两种类型,误导开发者

当然这并不算Bug,只要处理的时候多留心也可以避免这些坑。但在 Python3两个问题都很好的解决了。

首先,Python3把系统默认编码设置为UTF-8

  >>> import sys  >>> sys.getdefaultencoding()  'utf-8'  >>>

然后,文本字符和二进制数据区分得更清晰,分别用str和bytes表示。文本字符全部用str类型表示,str能表示Unicode字符集中所有字符,而二进制字节数据用一种全新的数据类型,用bytes来表示。

str

  >>> a = "a"  >>> a  'a'  >>> type(a)  <class 'str'>    >>> b = "禅"  >>> b  '禅'  >>> type(b)  <class 'str'>

bytes

Python3 中,在字符引号前加‘b’,明确表示这是一个 bytes 类型的对象,实际上它就是一组二进制字节序列组成的数据,bytes 类型可以是 ASCII范围内的字符和其它十六进制形式的字符数据,但不能用中文等非ASCII字符表示。

  >>> c = b'a'  >>> c  b'a'  >>> type(c)  <class 'bytes'>    >>> d = b'\xe7\xa6\x85'  >>> d  b'\xe7\xa6\x85'  >>> type(d)  <class 'bytes'>  >>>    >>> e = b'禅'    File "<stdin>", line 1  SyntaxError: bytes can only contain ASCII literal characters.

bytes类型提供的操作和str一样,支持分片、索引、基本数值运算等操作。但是str与bytes类型的数据不能执行+操作,尽管在py2中是可行的。

  >>> b"a"+b"c"  b'ac'  >>> b"a"*2  b'aa'  >>> b"abcdef\xd6"[1:]  b'bcdef\xd6'  >>> b"abcdef\xd6"[-1]  214    >>> b"a" + "b"  Traceback (most recent call last):    File "<stdin>", line 1, in <module>  TypeError: can't concat bytes to str

python2与python3字节与字符的对应关系

encode 与 decode

str与bytes之间的转换可以用encode和从decode方法。

encode负责字符到字节的编码转换。默认使用UTF-8编码准换。

  >>> s = "Python之禅"  >>> s.encode()  b'Python\xe4\xb9\x8b\xe7\xa6\x85'  >>> s.encode("gbk")  b'Python\xd6\xae\xec\xf8'

decode负责字节到字符的解码转换,通用使用UTF-8编码格式进行转换。

  >>> b'Python\xe4\xb9\x8b\xe7\xa6\x85'.decode()  'Python之禅'  >>> b'Python\xd6\xae\xec\xf8'.decode("gbk")  'Python之禅'

来自: 微信公众号Python之禅(VTtalk)