題圖：unsplash.com by Ricardo Gomez Angel

不論你是有著多年經(jīng)驗(yàn)的 Python 老司機(jī)還是剛?cè)腴T Python 不久的新貴，你一定遇到過UnicodeEncodeError、UnicodeDecodeError 錯誤，每當(dāng)遇到錯誤我們就拿著 encode、decode 函數(shù)翻來覆去的轉(zhuǎn)換，有時試著試著問題就解決了，有時候怎么試都沒轍，只有借用 Google 大神幫忙，但似乎很少去關(guān)心問題的本質(zhì)是什么，下次遇到類似的問題重蹈覆轍，那么你有沒有想過一次性徹底把 Python 字符編碼給搞懂呢？

完全理解字符編碼 與 Python 的淵源前，我們有必要把一些基礎(chǔ)概念弄清楚，雖然有些概念我們每天都在接觸甚至在使用它，但并不一定真正理解它。比如：字節(jié)、字符、字符集、字符碼、字符編碼。

字節(jié)

字節(jié)（Byte）是計算機(jī)中數(shù)據(jù)存儲的基本單元，一字節(jié)等于一個8位的比特，計算機(jī)中的所有數(shù)據(jù)，不論是保存在磁盤文件上的還是網(wǎng)絡(luò)上傳輸?shù)臄?shù)據(jù)（文字、圖片、視頻、音頻文件）都是由字節(jié)組成的。

字符

你正在閱讀的這篇文章就是由很多個字符（Character）構(gòu)成的，字符一個信息單位，它是各種文字和符號的統(tǒng)稱，比如一個英文字母是一個字符，一個漢字是一個字符，一個標(biāo)點(diǎn)符號也是一個字符。

字符集

字符集（Character Set）就是某個范圍內(nèi)字符的集合，不同的字符集規(guī)定了字符的個數(shù)，比如 ASCII 字符集總共有128個字符，包含了英文字母、阿拉伯?dāng)?shù)字、標(biāo)點(diǎn)符號和控制符。而 GB2312 字符集定義了7445個字符，包含了絕大部分漢字字符。

字符碼

字符碼（Code Point）指的是字符集中每個字符的數(shù)字編號，例如 ASCII 字符集用 0-127 連續(xù)的128個數(shù)字分別表示128個字符，例如 “A” 的字符碼編號就是65。

字符編碼

字符編碼（Character Encoding）是將字符集中的字符碼映射為字節(jié)流的一種具體實(shí)現(xiàn)方案，常見的字符編碼有 ASCII 編碼、UTF-8 編碼、GBK 編碼等。某種意義上來說，字符集與字符編碼有種對應(yīng)關(guān)系，例如 ASCII 字符集對應(yīng) 有 ASCII 編碼。ASCII 字符編碼規(guī)定使用單字節(jié)中低位的7個比特去編碼所有的字符。例如”A” 的編號是65，用單字節(jié)表示就是0×41，因此寫入存儲設(shè)備的時候就是b’01000001’。

編碼、解碼

編碼的過程是將字符轉(zhuǎn)換成字節(jié)流，解碼的過程是將字節(jié)流解析為字符。

理解了這些基本的術(shù)語概念后，我們就可以開始討論計算機(jī)的字符編碼的演進(jìn)過程了。

從 ASCII 碼說起

說到字符編碼，要從計算機(jī)的誕生開始講起，計算機(jī)發(fā)明于美國，在英語世界里，常用字符非常有限，26個字母（大小寫）、10個數(shù)字、標(biāo)點(diǎn)符號、控制符，這些字符在計算機(jī)中用一個字節(jié)的存儲空間來表示綽綽有余，因?yàn)橐粋€字節(jié)相當(dāng)于8個比特位，8個比特位可以表示256個符號。于是美國國家標(biāo)準(zhǔn)協(xié)會ANSI制定了一套字符編碼的標(biāo)準(zhǔn)叫 ASCII(American Standard Code for Information Interchange)，每個字符都對應(yīng)唯一的一個數(shù)字，比如字符 “A” 對應(yīng)數(shù)字是65，”B”  對應(yīng) 66，以此類推。最早 ASCII 只定義了128個字符編碼，包括96個文字和32個控制符號，一共128個字符只需要一個字節(jié)的7位就能表示所有的字符，因此 ASCII 只使用了一個字節(jié)的后7位，剩下最高位1比特被用作一些通訊系統(tǒng)的奇偶校驗(yàn)。下圖就是 ASCII 碼字符編碼的十進(jìn)制、二進(jìn)制和字符的對應(yīng)關(guān)系表

擴(kuò)展的 ASCII：EASCII(ISO/8859-1)

然而計算機(jī)慢慢地普及到其他西歐地區(qū)時，發(fā)現(xiàn)還有很多西歐字符是 ASCII 字符集中沒有的，顯然 ASCII 已經(jīng)沒法滿足人們的需求了，好在 ASCII 字符只用了字節(jié)的7位 0×00~0x7F 共128個字符，于是他們在 ASCII 的基礎(chǔ)上把原來的7位擴(kuò)充到8位，把0×80-0xFF這后面的128個數(shù)字利用起來，叫 EASCII ，它完全兼容ASCII，擴(kuò)展出來的符號包括表格符號、計算符號、希臘字母和特殊的拉丁符號。然而 EASCII 時代是一個混亂的時代，各個廠家都有自己的想法，大家沒有統(tǒng)一標(biāo)準(zhǔn)，他們各自把最高位按照自己的標(biāo)準(zhǔn)實(shí)現(xiàn)了自己的一套字符編碼標(biāo)準(zhǔn)，比較著名的就有 CP437， CP437  是 始祖IBM PC、MS-DOS使用的字符編碼，如下圖：

眾多的 ASCII 擴(kuò)充字符集之間互不兼容，這樣導(dǎo)致人們無法正常交流，例如200在CP437字符集表示的字符是 è ，在 ISO/8859-1 字符集里面顯示的就是 ╚，于是國際標(biāo)準(zhǔn)化組織制定的一系列8位字符集標(biāo)準(zhǔn) ISO/8859-1(Latin-1)，它繼承了 CP437 字符編碼的128-159之間的字符，所以它是從160開始定義的，ISO-8859-1在 CP437 的基礎(chǔ)上重新定義了 160~255之間的字符。

多字節(jié)字符編碼 GBK

ASCII 字符編碼是單字節(jié)編碼，計算機(jī)進(jìn)入中國后面臨的一個問題是如何處理漢字，對于拉丁語系國家來說通過擴(kuò)展最高位，單字節(jié)表示所有的字符已經(jīng)綽綽有余，但是對于亞洲國家來說一個字節(jié)就顯得捉襟見肘了。于是中國人自己弄了一套叫 GB2312 的雙字節(jié)字符編碼，又稱GB0，1981 由中國國家標(biāo)準(zhǔn)總局發(fā)布。GB2312 編碼共收錄了6763個漢字，同時他還兼容 ASCII，GB 2312的出現(xiàn)，基本滿足了漢字的計算機(jī)處理需要，它所收錄的漢字已經(jīng)覆蓋中國大陸99.75%的使用頻率，不過 GB2312 還是不能100%滿足中國漢字的需求，對一些罕見的字和繁體字 GB2312 沒法處理，后來就在GB2312的基礎(chǔ)上創(chuàng)建了一種叫 GBK 的編碼，GBK 不僅收錄了27484個漢字，同時還收錄了藏文、蒙文、維吾爾文等主要的少數(shù)民族文字。同樣 GBK 也是兼容 ASCII 編碼的，對于英文字符用1個字節(jié)來表示，漢字用兩個字節(jié)來標(biāo)識。

Unicode 的問世

GBK僅僅只是解決了我們自己的問題，但是計算機(jī)不止是美國人和中國人用啊，還有歐洲、亞洲其他國家的文字諸如日文、韓文全世界各地的文字加起來估計也有好幾十萬，這已經(jīng)大大超出了ASCII 碼甚至GBK 所能表示的范圍了，雖然各個國家可以制定自己的編碼方案，但是數(shù)據(jù)在不同國家傳輸就會出現(xiàn)各種各樣的亂碼問題。如果只用一種字符編碼就能表示地球甚至火星上任何一個字符時，問題就迎刃而解了。是它，是它，就是它，我們的小英雄，統(tǒng)一聯(lián)盟國際組織提出了Unicode 編碼，Unicode 的學(xué)名是”Universal Multiple-Octet Coded Character Set”，簡稱為UCS。它為世界上每一種語言的每一個字符定義了一個唯一的字符碼，Unicode 標(biāo)準(zhǔn)使用十六進(jìn)制數(shù)字表示，數(shù)字前面加上前綴 U+，比如字母『A』的Unicode編碼是 U+0041，漢字『中』的Unicode 編碼是U+4E2D

Unicode有兩種格式：UCS-2和UCS-4。UCS-2就是用兩個字節(jié)編碼，一共16個比特位，這樣理論上最多可以表示65536個字符，不過要表示全世界所有的字符顯示65536個數(shù)字還遠(yuǎn)遠(yuǎn)不過，因?yàn)楣鉂h字就有近10萬個，因此Unicode4.0規(guī)范定義了一組附加的字符編碼，UCS-4就是用4個字節(jié)（實(shí)際上只用了31位，最高位必須為0）。理論上完全可以涵蓋一切語言所用的符號。

Unicode 的局限

但是 Unicode 有一定的局限性，一個 Unicode 字符在網(wǎng)絡(luò)上傳輸或者最終存儲起來的時候，并不見得每個字符都需要兩個字節(jié)，比如字符“A“，用一個字節(jié)就可以表示的字符，偏偏還要用兩個字節(jié)，顯然太浪費(fèi)空間了。

第二問題是，一個 Unicode 字符保存到計算機(jī)里面時就是一串01數(shù)字，那么計算機(jī)怎么知道一個2字節(jié)的Unicode字符是表示一個2字節(jié)的字符呢，例如“漢”字的 Unicode 編碼是 U+6C49，我可以用4個ascii數(shù)字來傳輸、保存這個字符；也可以用utf-8編碼的3個連續(xù)的字節(jié)E6 B1 89來表示它。關(guān)鍵在于通信雙方都要認(rèn)可。因此Unicode編碼有不同的實(shí)現(xiàn)方式，比如：UTF-8、UTF-16等等。Unicode就像英語一樣，做為國與國之間交流世界通用的標(biāo)準(zhǔn)，每個國家有自己的語言，他們把標(biāo)準(zhǔn)的英文文檔翻譯成自己國家的文字，這是實(shí)現(xiàn)方式，就像utf-8。

UTF-8

UTF-8（Unicode Transformation Format）作為 Unicode 的一種實(shí)現(xiàn)方式，廣泛應(yīng)用于互聯(lián)網(wǎng)，它是一種變長的字符編碼，可以根據(jù)具體情況用1-4個字節(jié)來表示一個字符。比如英文字符這些原本就可以用 ASCII 碼表示的字符用UTF-8表示時就只需要一個字節(jié)的空間，和 ASCII 是一樣的。對于多字節(jié)（n個字節(jié)）的字符，第一個字節(jié)的前n為都設(shè)為1，第n+1位設(shè)為0，后面字節(jié)的前兩位都設(shè)為10。剩下的二進(jìn)制位全部用該字符的unicode碼填充。

以『好』為例，『好』對應(yīng)的 Unicode 是597D，對應(yīng)的區(qū)間是 0000 0800—0000 FFFF，因此它用 UTF-8 表示時需要用3個字節(jié)來存儲，597D用二進(jìn)制表示是： 0101100101111101，填充到 1110xxxx 10xxxxxx 10xxxxxx 得到 11100101 10100101 10111101，轉(zhuǎn)換成16進(jìn)制是 e5a5bd，因此『好』的 Unicode 碼 U+597D 對應(yīng)的 UTF-8 編碼是 “E5A5BD”。你可以用 Python 代碼來驗(yàn)證：

現(xiàn)在總算把理論說完了。再來說說 Python 中的編碼問題。Python 的誕生時間比 Unicode 要早很多，Python2 的默認(rèn)編碼是ASCII，正因?yàn)槿绱?，才?dǎo)致很多的編碼問題。

所以在 Python2 中，源代碼文件必須顯示地指定編碼類型，否則但凡代碼中出現(xiàn)有中文就會報語法錯誤

Python2 字符類型

在 python2 中和字符串相關(guān)的數(shù)據(jù)類型有 str 和 unicode 兩種類型，它們繼承自 basestring，而 str 類型的字符串的編碼格式可以是 ascii、utf-8、gbk等任何一種類型。

圖片來源:http:///2016/11/25/character_encoding/

對于漢字『好』，用 str 表示時，它對應(yīng)的 utf-8 編碼 是’\xe5\xa5\xbd’，對應(yīng)的 gbk 編碼是 ‘\xba\xc3’，而用 unicode 表示時，他對應(yīng)的符號就是u’\u597d’，與u”好” 是等同的。

str 與 unicode 的轉(zhuǎn)換

在 Python 中 str 和 unicode 之間是如何轉(zhuǎn)換的呢？這兩種類型的字符串之間的轉(zhuǎn)換就是靠decode 和 encode 這兩個函數(shù)。encode 負(fù)責(zé)將unicode 編碼成指定的字符編碼，用于存儲到磁盤或傳輸?shù)骄W(wǎng)絡(luò)中。而 decode 方法是根據(jù)指定的編碼方式解碼后在應(yīng)用程序中使用。

UnicodeXXXError 錯誤的原因

在字符編碼轉(zhuǎn)換操作時，遇到最多的問題就是 UnicodeEncodeError 和 UnicodeDecodeError 錯誤了，這些錯誤的根本原因在于 Python2 默認(rèn)是使用 ascii 編碼進(jìn)行 decode 和 encode 操作，例如：

case 1

當(dāng)把 s 轉(zhuǎn)換成 unicode 類型的字符串時，decode 方法默認(rèn)使用 ascii 編碼進(jìn)行解碼，而 ascii 字符集中根本就沒有中文字符『你好』，所以就出現(xiàn)了 UnicodeDecodeError，正確的方式是顯示地指定 UTF-8 字符編碼。

同樣地道理，對于 encode 操作，把 unicode字符串轉(zhuǎn)換成 str類型的字符串時，默認(rèn)也是使用 ascii 編碼進(jìn)行編碼轉(zhuǎn)換的，而 ascii 字符集找不到中文字符『你好』，于是就出現(xiàn)了UnicodeEncodeError 錯誤。

case 2

str 類型與 unicode 類型的字符串混合使用時，str 類型的字符串會隱式地將 str 轉(zhuǎn)換成 unicode字符串，如果 str字符串是中文字符，那么就會出現(xiàn)UnicodeDecodeError 錯誤，因?yàn)?python2 默認(rèn)會使用 ascii 編碼來進(jìn)行 decode 操作。

正確地方式是顯示地指定 UTF-8 字符編碼進(jìn)行解碼

亂碼

所有出現(xiàn)亂碼的原因都可以歸結(jié)為字符經(jīng)過不同編碼解碼在編碼的過程中使用的編碼格式不一致，比如：

utf-8編碼的字符‘好’占用3個字節(jié)，解碼成 Unicode 后，如果再用 gbk 來解碼后，只有2個字節(jié)的長度了，最后出現(xiàn)了亂碼的問題，因此防止亂碼的最好方式就是始終堅持使用同一種編碼格式對字符進(jìn)行編碼和解碼操作。