从python2,python3编码问题引伸出的通用编码原理解释

Posted 2020-10-17 RainLa

今天使用python2编码时遇到这样一条异常UnicodeDecodeError: ‘ascii’ code can’t decode byte 0xef

发现是编码问题，但是平常在python3中几乎没有遇到过，所以特意查了资料，原来python3和python2对于字符串的理解不一样，在python3中，字符串默认unicode编码

一.解释python2和python3文本处理方式

在Python3当中，文本字符串类型（使用Unicode数据存储）被命名为 str , 字节字符串类型被命名为 bytes 。一般情况下，实例化一个字符串会得到一个 str 对象 ：

如果你想得到bytes，那就在文本之前加上前缀 b , 或者 encode 一下。

所以，很显然，str 对象有一个encode方法，bytes 对象有一个decode方法。

在Python3中的 str 对象在Python2中叫做 unicode ， bytes 对象在Python2中叫做 str 

在python2中使用中文字符串的方式是在页首声明# *--coding:utf-8--* 

 

二.常用编码方式

顺便在网上查了一下字符集和编码方式的文档，发现很多人都解释的难以理解，所以这里尝试说清楚一下。这里不解析字符集和编码方式，统称为编码方式。

不论什么编码，在计算机中统一是按照二进制字节形式存储，一个字节有8位

1.ASCII码，总共有128个，用1个字节的低7位来表示

2.ISO-8859-1，128个字符表示明显不够用，所以ISO组织又制订了新的标准来扩展ASCII码，它们是ISO-8859-1到ISO-8859-15，其中ISO-8859-1涵盖了大部分西欧编码，所以用的最多。ISO-8859-1也是单字节编码，总共表示256个字符，发现字符变成？时，一般是使用了ISO-8859-1编码，规定不认识范围内的使用3f表示的就是？

3.GB2312，双字节编码，范围为A1-F7,其中A1-A9是符号区，包含682个符号，B0-F7是汉字区，包含6763个汉字，汉字使用两个字节表示

4.GBK，用于扩展GB2312,编码范围8140~FEFE,总共有23940个码位，使用GB2312编码的汉字可以用GBK来解码

5.UTF-16，所有字符都是用两个字节，两个字节为16bit，所以叫UTF-16,但是浪费空间.（同unicode）

6.UTF-8，每个编码区域有不同的字码长度，最长为三个字节，编码规则如下：

（1）如果一个字节的第一位为0，那么代表当前字符为单字节字符，占用一个字节的空间。0之后的所有部分（7个bit）代表在Unicode中的序号。
（2）如果一个字节以110开头，那么代表当前字符为双字节字符，占用2个字节的空间。110之后的所有部分（7个bit）代表在Unicode中的序号。且第二个字节以10开头
（3）如果一个字节以1110开头，那么代表当前字符为三字节字符，占用2个字节的空间。110之后的所有部分（7个bit）代表在Unicode中的序号。且第二、第三个字节以10开头
（4）如果一个字节以10开头，那么代表当前字节为多字节字符的第二个字节。10之后的所有部分（6个bit）代表在Unicode中的序号

具体每个字节的特征可见下表，其中x代表序号部分，把各个字节中的所有x部分拼接在一起就组成了在Unicode字库中的序号

Byte 1	Byte 2	Byte3
0xxx xxxx
110x xxxx	10xx xxxx
1110 xxxx	10xx xxxx	10xx xxxx

我们分别看三个从一个字节到三个字节的UTF-8编码例子：

实际字符	在Unicode字库序号的十六进制	在Unicode字库序号的二进制	UTF-8编码后的二进制	UTF-8编码后的十六进制
$	0024	010 0100	0010 0100	24
¢	00A2	000 1010 0010	1100 0010 1010 0010	C2 A2
€	20AC	0010 0000 1010 1100	1110 0010 1000 0010 1010 1100	E2 82 AC

细心的读者不难从以上的简单介绍中得出以下规律：

• 3个字节的UTF-8十六进制编码一定是以E开头的
• 2个字节的UTF-8十六进制编码一定是以C或D开头的
• 1个字节的UTF-8十六进制编码一定是以比8小的数字开头的

三.常见问题处理之Emoji

所谓Emoji就是一种在Unicode位于\\u1F601–\\u1F64F区段的字符。这个显然超过了目前常用的UTF-8字符集的编码范围\\u0000–\\uFFFF。Emoji表情随着IOS的普及和微信的支持越来越常见。下面就是几个常见的Emoji:

那么Emoji字符表情会对我们平时的开发运维带来什么影响呢？最常见的问题就在于将他存入MySQL数据库的时候。一般来说MySQL数据库的默认字符集都会配置成UTF-8（三字节），而utf8mb4在5.5以后才被支持，也很少会有DBA主动将系统默认字符集改成utf8mb4。那么问题就来了，当我们把一个需要4字节UTF-8编码才能表示的字符存入数据库的时候就会报错：ERROR 1366: Incorrect string value: \'\\xF0\\x9D\\x8C\\x86\' for column 。 如果认真阅读了上面的解释，那么这个报错也就不难看懂了。我们试图将一串Bytes插入到一列中，而这串Bytes的第一个字节是\\xF0意味着这是一个四字节的UTF-8编码。但是当MySQL表和列字符集配置为UTF-8的时候是无法存储这样的字符的，所以报了错。

【附】手持两把锟斤拷， 口中疾呼烫烫烫。 脚踏千朵屯屯屯， 笑看万物锘锘锘。