彻底搞懂 Python 编码

因为中文的特殊编码，导致 Python2 和 Python3 使用过程中的各种编码问题，如果不清楚其中的关联关系，那么这就一直是个大坑，不是懵逼就还是懵逼，所以就目前碰到的情况彻底梳理下 Python2 和 Python3 中编码的关系和区别，以作备忘。

先说下涉及编码格式的几个地方：

1. 脚本字符编码：就是经常在脚本文件开头看到的 # -*- coding: utf-8 -*-，如果使用 Python2，没有显式声明的话默认使用 ASCII 格式，Python3 默认使用 utf-8 格式；
2. 解释器字符编码：可以通过函数 sys.getdefaultencoding() 查看，Python2 默认是 ASCII，Python3 默认使用 utf-8；
3. 脚本文件存储编码：就是 py 脚本文件本身在物理介质上面的存储格式，通常有 ASCII、GBK、utf-8 等格式。

下面我们把上述编码分别在脚本中进行组合使用后，再使用 Python2.6 和 Python3.4 运行，看看实际都什么效果。

1.默认脚本文件编码 + 文件存储使用 gbk

脚本内容：

import sys

print(sys.getdefaultencoding())
print('中文')

使用 Python2.6 运行的结果如下，提示gbk 编码字符 \xd6 非 ASCII 字符：

> python26 test_gbk.py
  File "test_gbk.py", line 4
SyntaxError: Non-ASCII character '\xd6' in file test_gbk.py on line 4, but no encoding declared; see http://www.python.org/peps/pep-0263.html for details

使用 Python3.4 运行的结果如下，提示gbk 编码字符 \xd6 非 utf-8 字符：

> python26 test_gbk.py
  File "test_gbk.py", line 4
SyntaxError: Non-UTF-8 code starting with '\xd6' in file test_gbk.py on line 4, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details

结论：默认的 gbk 编码中文，Python2的解释器字符编码(ASCII)和 Python3的解释器字符编码(utf-8)格式都没法识别，因为 ASCII 编码不包含中文，而 utf-8 是 3 字节编码，gbk 是 2 字节编码，所以都识别不了了。

2.脚本文件编码 gbk + 文件存储使用 gbk

在刚才的脚本头部显式声明脚本文件编码格式为 gbk：

#coding:gbk

import sys

print(sys.getdefaultencoding())
print('中文')

使用 Python2.6 运行的结果：

> python26 test_gbk.py
ascii
中文

使用 Python3.4 运行的结果：

> python34 test_gbk.py
utf-8
中文

结论：文件使用的 gbk 格式存储，同时显式声明了脚本文件编码为 gbk，Python2 和 Python3 都可以正常处理。

3.脚本文件编码 utf-8 + 文件存储使用 gbk

在刚才的脚本头部显式声明脚本文件编码格式为 utf-8：

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

import sys

print(sys.getdefaultencoding())
print('中文')

使用 Python2.6 运行的结果正常：

> python26 test_gbk.py
ascii
中文

使用 Python3.4 运行的结果如下，提示尝试使用 utf-8 解码字符 0xd6 时异常：

> python34 test_gbk.py
File "test_gbk.py", line 6
SyntaxError: (unicode error) 'utf-8' codec can't decode byte 0xd6 in position 0: invalid continuation byte

结论：文件使用的 gbk 格式存储，同时显式声明了脚本文件编码为 utf-8时，但是 Python2 在 Windows 平台还是使用 gbk 进行输出，所以解析正常，而 Python3 使用 utf-8 所以解析异常。

4.默认脚本文件编码 + 文件存储使用 utf-8

去掉之前脚本头部的声明，然后使用 utf-8 格式存储文件(注意，不能在刚才的文件基础上强制修改存储编码，强制转换会出现中文乱码的问题，建议先新建一个 utf-8 格式的文件，然后再输入中文)：

import sys

print(sys.getdefaultencoding())
print('中文')

使用 Python2.6 运行的结果如下，ASCII 也识别不了 utf-8 格式的字符 \xe4：

> python26 test.py
  File "test.py", line 4
SyntaxError: Non-ASCII character '\xe4' in file test.py on line 4, but no encoding declared; see http://www.python.org/peps/pep-0263.html for details

使用 Python3.4 运行的结果，可以正常识别，因为 Python3 默认使用 utf-8 编码：

> python34 test.py
utf-8
中文

结论：默认的 utf-8 编码中文，Python2 会默认使用 ASCII 读取，所以没法识别，Python3 可以正常识别。

5.脚本文件编码 gbk + 文件存储使用 utf-8

脚本头部显式声明脚本文件编码格式为 gbk，同时使用 utf-8 格式存储文件：

#coding:gbk
import sys

print(sys.getdefaultencoding())
print('中文')

使用 Python2.6 运行的结果如下，使用 gbk 根本读取不了 utf-8 格式任何内容：

> python26 test.py
File "test.py", line 6
SyntaxError: 'gbk' codec can't decode bytes in position 9-10: illegal multibyte sequence

使用 Python3.4 运行的结果如下，其实和上面错误一样，但是提示更直接了：

> python34 test.py
File "test.py", line 1
SyntaxError: encoding problem: gbk

结论：默认的 utf-8 编码中文，如果显式指定使用 gbk 读取，Python2 和 Python3 都没法做到。

6.脚本文件编码 utf-8 + 文件存储使用 utf-8

脚本头部显式声明脚本文件编码格式为 utf-8，同时使用 utf-8 格式存储文件：

# -*- coding: utf-8 -*-
import sys

print(sys.getdefaultencoding())
print('中文')

使用 Python2.6 运行的结果如下，虽然读取正确了，但是 Python2 在 Windows 系统会默认使用 gbk 对中文进行解码，所以输出乱码：

> python26 test.py
ascii
涓枃

使用 Python3.4 运行的结果正常：

> python34 test.py
utf-8
中文

结论：虽然文件存储编码和脚本文件编码都是 utf-8，但是 Windows 平台上，Python2 会按 gbk 解析中文，所以会输出乱码，可以在中文前面加 u 来解决u'中文'，或者显式使用 utf-8 进行一次 decode。

汇总下验证结果，可以得到如下的表格：

总结下结论：

1. 如果使用 Python2 请一定要使用 gbk 格式存储文件；
2. 如果使用 Python2 尽可能使用 gbk 存储文件且显式声明脚本文件编码为 gbk，方便后续兼容 Python3；
3. 如果使用 Python3 不管使用什么格式存储文件，但请一定保证显式声明脚本文件编码和存储格式一致；
4. 不管是使用 Python2 还是 Python3，保持显式声明脚本文件编码的好习惯；
5. 如果脚本有跨平台需求，推荐使用 Python3 + 脚本文件编码 utf-8 + utf-8 格式存储文件的组合；

本文原创发布于公众号「sylan215」，十年测试老兵的原创干货，关注我，涨姿势！