在python编程中，常常会出现一些编码上的问题，大致包括这三类问题： SyntaxError: Non-ASCII character、UnicodeDecodeError 和 UnicodeEncodeError。下面我对日常遇到的编码问题做的一些小结，并解释上述三类问题出现的原因，并对日常编码做了一些规范化的建议，来避免上述这三类问题。

python2.x 的编码解码介绍

当对str进行编码(encode)时，会先用 默认编码 将str解码(decode)成unicode，然后再将unicode编码为你指定的编码。

那么由于python2.x的默认编码(通过 sys.getdefaultencoding() 获取)是ascii，那么在处理中文的时候，因为ascii能够表示的字符范围有限，所以解码中文会有问题，常常报如下错误，例如

string = "中国"
print(s.encode('gbk'))  # 等价于 print(s.decode('ascii').encode('gbk'))

UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)

如果要想正常输出，可以指定python的默认编码样式为 utf-8，当然也可以不修改python的默认编码，而是在string的编码前面先显性的执行解码命令，并且指定解码样式为 utf-8，例如

import sys

reload(sys)
sys.setdefaultencoding('utf-8')

string = "中国"
print(s.encode('gbk'))  # 等价于 print(s.decode('utf-8').encode('gbk'))

所以使用 unicode 命令创建 unicode 对象时，如果不说明这个字符串的编码格式，那么程序会使用python的默认编码，例如如下代码，如果没有设置默认编码的话，也会出现上面的 UnicodeDecodeError 错误

string = unicode("中国")  # 等价于 string = unicode("中国", sys.getdefaultencoding())

python2.x 的文件头声明编码

我们在写python2.x文件时，一般会在文件头声明编码，例如如下代码

# -*- coding: utf-8 -*-

# 或者是如下代码，注意下面 = 符号两边没有空格

# coding=utf-8

做这个编码声明，是因为文件中有中文字符（不论是注释内容，还是字符串赋值）时，python2.x才知道如何去解析这些字符串，否则会出现如下错误

SyntaxError: Non-ASCII character '\xe4' in file test.py on line 2, but no encoding declared; see http://www.python.org/peps/pep-0263.html for details

另外做这个编码声明，python2.x会解码初始化 u"中国" 为 unicode 对象

有人会发现，我按照这样在文件头部声明了编码，怎么我在执行 print(u"中国") 的时候，会报如下错误呢？

UnicodeEncodeError: 'latin-1' codec can't encode characters in position 0-1: ordinal not in range(256)

出现这样的报错，是由于服务器的输出编码格式不能完成对 u"中国" 字符串的编码操作，通过shell命令 locale 查看到服务器的输出编码格式为 en_US (或者是通过python命令 sys.stdout.encoding 查看到为 ISO-8859-1，该编码和ascii编码相似，且Latin1是ISO-8859-1的别名)，而 ascii 能够表示的字符范围有限，不能对所有的unicode完成编码操作。

多重编码的字符串混合

如果我们将多重编码格式的字符串进行混合使用时，下面将介绍这种情况。
就像 int 和 float 类型的数据进行运算时，结果为 float，那么多重编码的字符串混合使用的时候，结果是什么格式的呢？

python2在处理unicode字符串和str类字符串时，是将str类字符串转化为unicode字符串。例如如下例子

string_1 = "Hello " + "中国"  # "Hello" 为ascii编码，"中国" 为utf-8编码，得到的结果为 utf-8编码

string_2 = "Hello " + "中国" + u"美食" # u"美食"为unicode字符串，所以最终的结果应该是unicode编码，"Hello "容易decode为unicode，但是 "中国" 受制于python的默认编码（sys.getdefaultencoding()）如果该值不是 utf-8 会报 UnicodeDecodeError 错误

string_3 = "Hello " + "中国" + "美食".decode('utf-8').encode('gbk')  # ascii/utf-8/gbk 这三种不同编码的str类字符串相加，得到的结果是gbk编码的字符串

关于编码的字节长度

在计算字符串的字节长度的时候，使用命令 len，我们知道ascii编码的字符，一个该字符由1个字节组成；utf-8编码的字符，一个该字符由3个字节组成；gbk编码的字符，一个该字符由2个字节组成。也正是由于gbk编码的字符串所占用的字节少，所以一些网站就使用gbk编码。

那我们对unicode的字符串使用 len 的话，得到的结果是字符数，不同于上面的字节数。

具体可以查看下面的例子：

# python2.x
string = "中国"  # string编码为utf-8

print(len(string))  # 6个字节 （= 2 * 3）
print(len(string.decode('utf-8')))  # 2个字符 通过decode得到的是unicode字符串，通过len是在计算字符的数量
print(len(string.decode('utf-8').encode('gbk')))  # 4个字节 (= 2 * 2) 通过decode和encode得到的是gbk编码的字符串

string = u"中国"  # string编码为unicode

print(len(string))  # 2个字符
print(len(string.encode('utf-8')))  # 6个字节 （= 2 * 3）将string编码为utf-8字符串
print(len(string.encode('gbk')))  # 4个字节 (= 2 * 2)  将string编码为gbk字符串

关于requests库

我们在爬虫或者是测试服务器响应数据的时候，常常使用requests库来操作，其中Request对象在访问服务器后返回一个Response对象，这个对象将返回的http响应字节码保存到content属性中，但是如果访问另外一个属性text时，会返回一个unicode对象，乱码就常常发生在这里，造成显示乱码。

因为Response对象会通过另外一个属性encoding来将字节码编码成unicode，而这个encoding属性是reponse通过chardet猜出来的，例如如果爬取一个 gbk 网页的内容，就会出现乱码，可以通过如下方法解决：

import requests

url = "https://pvp.qq.com"
response = requests.get(url)
response.encoding = 'gbk'
print(response.text)

编码维护习惯

基于以上的编码问题，这里列出一些我们在日常处理字符的一些规范，以此来统一我们的字符编码解码习惯，减少因为字符串编码的问题。

设置python的默认编码为 utf-8 (python2.x为 ascii)
python代码文件的保存格式要与文件头部的声明编码保持一致，为 utf-8
如果是中文，程序内部尽量使用 unicode 而不是 str
保持程序内外的编码统一，即程序内只使用unicode，那么在从外部读取文件时，一定要将这些字节流转化为unicode，这样在后面的代码中只会去处理unicode，而不是str，例如如下的读取文件代码。

# python2.x
import codecs
with codecs.open('text.py', 'r', encoding='utf-8') as f:
    for i in f:
        print(i)

# python3.x
with open('text.py', 'r', encoding='utf-8') as f:
    for i in f:
        print(i)

python2.x 与 python3.x的编码区别

字符串的类型（type），在python2.x和python3.x中有不同的表示，python2.x的编码分为str和unicode，而python3.x的编码分为bytes和str，且他们是相互对应的，即python2.x的 str 对应的是python3.x的 bytes；python2.x的 unicode 对应的是 python3.x的 str。

python2.x中所有的 ascii/utf-8/gbk 等编码的字符都是str类字符串，而python2.x默认的字符编码格式是ascii，str类字符串转换时，都需要通过unicode作为媒介。

python3.x中所有的 ascii/utf-8/gbk 等编码的字符都是bytes类字符串，而python3.x默认的字符串编码格式是unicode，并且python3.x中str类字符串就是unicode类型的字符串。

python编码之痛