背景

多次被python的編碼/亂碼問題困擾，相信pythoner們都被困擾過，網上鋪天蓋地的資料太多也參差不齊，就整理了下。本文從使用的角度系統總結了python編碼相關的一些概念，將本文的例子玩一遍，基本上對python的編碼問題就清楚了。

首先明確幾個概念：

1. 位元組流：以utf8/gbk等編碼編碼的位元組流。
2. unicode物件：python程式碼中，a=u'中國', 或者a='中國'.decode()的結果。
3. terminal用於顯示字元的編碼：將一個用utf8/gbk編碼的位元組流通過terminal指定的編碼，去查詢對應的字元顯示出來。
4. locale：linux下，Locale 是軟體在執行時的語言環境, 它包括語言(Language), 地域 (Territory) 和字符集(Codeset)。一個locale的書寫格式為: 語言[_地域[.字符集]]. 所以說呢，locale總是和一定的字符集相聯絡的。比如：zh_CN.GB2312
5. 編碼轉換原則：unicode是”中介”，任何編碼之間轉換都需要先decode()到unicode。

針對python，先把結論放在前面，三點：

1. #coding:utf-8 #.py檔案是什麼編碼就需要告訴python用什麼編碼去讀取這個.py檔案。
2. sys.stdout.encoding，預設就是locale的編碼，print會用sys.stdout.encoding去encode()成位元組流，交給terminal顯示。所以locale需要與terminal一致，才能正確print打印出中文。
3. sys.setdefaultencoding(‘utf8’)，用於指定str.encode() str.decode()的預設編碼，預設是ascii。
   
   • 對編碼字串a，程式碼中可以直接寫a.encode(“gbk”)，但事實上內部自動先通過defaultencoding 去decode成unicode之後再encode()的。
   • str(xxx)應該也是用這個去編碼的。
   • 'ascii' codec can't encode characters in position 7-8: ordinal not in range(128)print的時候出現這個錯誤一般可以使用這個方案去處理。
   • 為了避免程式碼中到處都要去encode(“xxx”)，還有可能不同的地方寫得不一樣帶來不一致的情況，推薦使用這個：

import sys   
reload(sys)   
sys.setdefaultencoding('utf8')   

例子1：

• 在python中，unicode vs 位元組流：位元組流可以從unicode encode得到，unicode可以從utf8/gbk等編碼的位元組流decode得到。
• 分析下面這段程式碼，終端/locale分別為不同編碼的情況：

#coding:utf-8              #由於.py檔案是utf-8的，所以必須有這一句
import sys
import locale
import os
import codecs

reload(sys)
print sys.getdefaultencoding() + "  - sys.getdefaultencoding()"
sys.setdefaultencoding('utf8')                  #影響encode()
print sys.getdefaultencoding() + "  - sys.getdefaultencoding()"

print sys.stdout.encoding + " - sys.stdout.encoding:"
#sys.stdout = codecs.getwriter('utf8')(sys.stdout)    #影響print
print sys.stdout.encoding + " - sys.stdout.encoding:"

u = u'中國'
print u + "  - u"
a = '中國'
print a + " - a"
print a.decode('utf-8') + " - a.decode('utf-8')"
print a.decode('utf-8').encode('gbk') + "   - a.decode('utf-8').encode('gbk')"
print a.decode('utf-8').encode('utf-8') + " - a.decode('utf-8').encode('utf-8')"
print a.decode('utf-8').encode() + "    - a.decode('utf-8').encode()"

print (sys.stdout.encoding) + " - (sys.stdout.encoding)"
print (sys.stdout.isatty())
print (locale.getpreferredencoding())
print (sys.getfilesystemencoding())

—終端為UTF-8，locale為zh_CN.GBK—————–

ascii  - sys.getdefaultencoding()
utf8  - sys.getdefaultencoding()
GBK - sys.stdout.encoding:
GBK - sys.stdout.encoding:
�й�  - u
中國 - a
�й� - a.decode('utf-8')
�й�   - a.decode('utf-8').encode('gbk')
中國 - a.decode('utf-8').encode('utf-8')
中國    - a.decode('utf-8').encode()
GBK - (sys.stdout.encoding)
True
GBK
utf-8

—終端為UTF-8，locale為zh_CN.UTF-8—————–

ascii  - sys.getdefaultencoding()
utf8  - sys.getdefaultencoding()
UTF-8 - sys.stdout.encoding:
UTF-8 - sys.stdout.encoding:
中國  - u
中國 - a
中國 - a.decode('utf-8')
�й�   - a.decode('utf-8').encode('gbk')
中國 - a.decode('utf-8').encode('utf-8')
中國    - a.decode('utf-8').encode()
UTF-8 - (sys.stdout.encoding)
True
UTF-8
utf-8

—終端為GBK，locale為zh_CN.GBK—————–

ascii  - sys.getdefaultencoding()
utf8  - sys.getdefaultencoding()
GBK - sys.stdout.encoding:
GBK - sys.stdout.encoding:
中國  - u
涓???? - a
中國 - a.decode('utf-8')
中國   - a.decode('utf-8').encode('gbk')
涓???? - a.decode('utf-8').encode('utf-8')
涓????    - a.decode('utf-8').encode()
GBK - (sys.stdout.encoding)
True
GBK
utf-8

—終端為GBK，locale為zh_CN.UTF-8—————–

ascii  - sys.getdefaultencoding()
utf8  - sys.getdefaultencoding()
UTF-8 - sys.stdout.encoding:
UTF-8 - sys.stdout.encoding:
涓????  - u
涓???? - a
涓???? - a.decode('utf-8')
中國   - a.decode('utf-8').encode('gbk')
涓???? - a.decode('utf-8').encode('utf-8')
涓????    - a.decode('utf-8').encode()
UTF-8 - (sys.stdout.encoding)
True
UTF-8
utf-8

例子1總結，對print而言：

• unicode的資料如果要顯示正常，必須終端與locale一致。sys.stdout.encoding這個值應該來自locale，print會以sys.stdout.encoding去encode並輸出到位元組流。
• encode為終端編碼的位元組流就能顯示正常，無論locale是啥。
  最終是terminal通過terminal配置的編碼規則去解碼成對應的字元並顯示出來。

例子2：

關於sys.setdefaultencoding(‘utf8’)的例子：

#coding:utf-8
import sys

reload(sys)
sys.setdefaultencoding('utf8')
print sys.getdefaultencoding() + "  - sys.getdefaultencoding()"

a = '中國'
print a + " - a"
print a.encode("gbk")  #並不是直接從utf8的位元組流轉化到gbk的，而是通過defaultencoding decode之後才轉的。
print a.decode() #使用預設的defaultencoding
print a.encode() #使用預設的defaultencoding

關於str()和repr()

• str()是對各種型別轉化成str，如果本來是encoded字串，則不變，如果為unicode，會encode()
• repr()對字串是將位元組流出二進位制的值以16進位制轉化為可見字元。
  測試環境locale為GBK

#coding:utf-8

import sys
reload(sys)
sys.setdefaultencoding("utf-8")

a = u'中國'
print a
print str(a)
print repr(a)
print repr(a.encode("utf-8"))
print repr(a.encode("gbk"))

中國
涓????
u'\u4e2d\u56fd'
'\xe4\xb8\xad\xe5\x9b\xbd'
'\xd6\xd0\xb9\xfa'

再深挖下去，還有repr()和eval()的關係，就不深挖了。

關於終端和伺服器的編碼

另外補充一些關於終端和伺服器編碼的結論：
1. 對mac iterm2，如果server的locale與mac本地終端的locale一致，才能保證server端與本地的表現一致。
2. cat a.py #就把檔案顯示出來，就是給terminal一串位元組流。terminal根據設定的終端編碼規則來顯示字元。所以只要檔案編碼與terminal一致即可，與locale無關。
3. cat a.txt > b.txt #無論locale怎麼樣，只跟a.txt原來的編碼相關
4. echo “中國年過” > a.txt #這個情況下，只有terminal與locale的編碼一致，你才能在終端shell打出正確的中文~~~所以a.txt與兩者都會一致

參考資料