在本文中，以'哈'來解釋作示例解釋所有的問題，“哈”的各種編碼如下：
1. UNICODE (UTF8-16)，C854；
2． UTF-8，E59388；
3． GBK，B9FE。
一、python中的str和unicode
一直以來，python中的中文編碼就是一個極為頭大的問題，經常拋出編碼轉換的異常，python中的str和unicode到底是一個什么東西呢？
在python中提到unicode，一般指的是unicode對象，例如'哈哈'的unicode對象為
u'/u54c8/u54c8'
而str，是一個字節數組，這個字節數組表示的是對unicode對象編碼(可以是utf-8、gbk、cp936、GB2312)后的存儲的格式。這里它僅僅是一個字節流，沒有其它的含義，如果你想使這個字節流顯示的內容有意義，就必須用正確的編碼格式，解碼顯示。
例如：
對于unicode對象哈哈進行編碼，編碼成一個utf-8編碼的str－s_utf8,s_utf8就是是一個字節數組，存放的就是'/xe5/x93/x88/xe5/x93/x88'，但是這僅僅是一個字節數組，如果你想將它通過print語句輸出成哈哈，那你就失望了，為什么呢？
因為print語句它的實現是將要輸出的內容傳送了操作系統，操作系統會根據系統的編碼對輸入的字節流進行編碼，這就解釋了為什么utf-8格式的字符串“哈哈”，輸出的是“鍝堝搱”，因為 '/xe5/x93/x88/xe5/x93/x88'用GB2312去解釋，其顯示的出來就是“鍝堝搱”。這里再強調一下，str記錄的是字節數組，只是某種編碼的存儲格式，至于輸出到文件或是打印出來是什么格式，完全取決于其解碼的編碼將它解碼成什么樣子。
這里再對print進行一點補充說明：當將一個unicode對象傳給print時，在內部會將該unicode對象進行一次轉換，轉換成本地的默認編碼（這僅是個人猜測）
二、str和unicode對象的轉換str和unicode對象的轉換，通過encode和decode實現，具體使用如下：
將GBK'哈哈'轉換成unicode，然后再轉換成UTF8
三、Setdefaultencoding如上圖的演示代碼所示：
當把s(gbk字符串)直接編碼成utf-8的時候，將拋出異常，但是通過調用如下代碼：
import sys
reload(sys)
sys.setdefaultencoding('gbk')
四、操作不同文件的編碼格式的文件建立一個文件test.txt，文件格式用ANSI，內容為:
abc中文
用python來讀取
# coding=gbk
print open("Test.txt").read()
結果：abc中文
把文件格式改成UTF-8：
結果：abc涓鏂
顯然，這里需要解碼：
# coding=gbk
import codecs
print open("Test.txt").read().decode("utf-8")
結果：abc中文
上面的test.txt我是用Editplus來編輯的，但當我用Windows自帶的記事本編輯并存成UTF-8格式時，
運行時報錯：
Traceback (most recent call last):
File "ChineseTest.py", line 3, in
print open("Test.txt").read().decode("utf-8")
UnicodeEncodeError: 'gbk' codec can't encode character u'/ufeff' in position 0: illegal multibyte sequence
原來，某些軟件，如notepad，在保存一個以UTF-8編碼的文件時，會在文件開始的地方插入三個不可見的字符（0xEF 0xBB 0xBF，即BOM）。
因此我們在讀取時需要自己去掉這些字符，python中的codecs module定義了這個常量：
# coding=gbk
import codecs
data = open("Test.txt").read()
if data[:3] == codecs.BOM_UTF8:
data = data[3:]
print data.decode("utf-8")
結果：abc中文
五、文件的編碼格式和編碼聲明的作用
源文件的編碼格式對字符串的聲明有什么作用呢？這個問題困擾一直困擾了我好久，現在終于有點眉目了，文件的編碼格式決定了在該源文件中聲明的字符串的編碼格式，例如：
str = '哈哈'
print repr(str)
a.如果文件格式為utf-8，則str的值為：'/xe5/x93/x88/xe5/x93/x88'（哈哈的utf-8編碼）
b.如果文件格式為gbk，則str的值為：'/xb9/xfe/xb9/xfe'（哈哈的gbk編碼）
在第一節已經說過，python中的字符串，只是一個字節數組，所以當把a情況的str輸出到gbk編碼的控制臺時，就將顯示為亂碼：鍝堝搱；而當把b情況下的str輸出utf-8編碼的控制臺時，也將顯示亂碼的問題，是什么也沒有，也許'/xb9/xfe/xb9/xfe'用utf-8解碼顯示，就是空白吧。>_<
#coding:gbk
ss = u'哈哈'
print repr(ss)
print 'ss:%s' % ss
將這個些代碼保存成一個utf-8文本，運行，你認為會輸出什么呢？大家第一感覺肯定輸出的肯定是：
u'/u54c8/u54c8'
ss:哈哈
但是實際上輸出是：
u'/u935d/u581d/u6431'
ss:鍝堝搱
為什么會這樣，這時候，就是編碼聲明在作怪了，在運行ss = u'哈哈'的時候，整個過程可以分為以下幾步：
1) 獲取'哈哈'的編碼：由文件編碼格式確定，為'/xe5/x93/x88/xe5/x93/x88'（哈哈的utf-8編碼形式）
2) 轉成 unicode編碼的時候，在這個轉換的過程中，對于'/xe5/x93/x88/xe5/x93/x88'的解碼，不是用utf-8解碼，而是用聲明編碼處指定的編碼GBK，將'/xe5/x93/x88/xe5/x93/x88'按GBK解碼，得到就是''鍝堝搱''，這三個字的unicode編碼就是u'/u935d/u581d/u6431'，至止可以解釋為什么print repr(ss)輸出的是u'/u935d/u581d/u6431' 了。
好了，這里有點繞，我們來分析下一個示例：
#-*- coding:utf-8 -*-
ss = u'哈哈'
print repr(ss)
print 'ss:%s' % ss
將這個示例這次保存成GBK編碼形式，運行結果，竟然是：
UnicodeDecodeError: 'utf8' codec can't decode byte 0xb9 in position 0: unexpected code byte
這里為什么會有utf8解碼錯誤呢？想想上個示例也明白了，轉換第一步，因為文件編碼是GBK，得到的是'哈哈'編碼是GBK的編碼'/xb9/xfe/xb9/xfe'，當進行第二步，轉換成 unicode的時候，會用UTF8對'/xb9/xfe/xb9/xfe'進行解碼，而大家查utf-8的編碼表會發現，utf8編碼表（關于UTF- 8解釋可參見字符編碼筆記：ASCII、UTF-8、UNICODE）中根本不存在，所以會報上述錯誤。
新聞熱點
疑難解答
