Python的字符编码入门

背景: 刚做完一个django的数据查询web项目，数据来源于内部API查询，每次查询都需要调用若干API查询数据渲染在前端页面。由于，相关的数据不会经常变动，为了提高前端响应速度、在API不可用时依然能够查询，设计了缓存。API查询到的数据是json格式返回，缓存的数据是MySQL的Unicode编码，数据由此产生了两个来源：API和MySQL，导致了编码的错误。

1. 编码格式

1.1 ASCII

计算机只能处理0和1两种数字，为了让计算机能够处理文本信息(也就是文字字符串)，就需要对这些信息进行编码。最早的计算机编码格式是ASCII码，采用8个bit表示一个字母，定义了128个字符，其中33个字符无法显示。8个bit位最多只能表示255个字符，只够英文国家使用，对全世界显然是不够的。

1.2 GB2312

为了满足计算机处理中文字符的需要，中国发布了GB2312编码规范，采用两个字节，16个bit表示一个图形字。收录6763个汉字，其中一级汉字3755个，二级汉字3008个；同时收录了包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔字母在内的682个字符。

1.3 GBK

由于GB2312没有覆盖到全部汉字，一些古汉语字形和特殊的字符，GBK采用两个字节，16个bit表示一个图形字，同时完全兼容GB2312。GBK一共收录了21886个汉字和图形符号

1.4 Unicode

各个国家为了计算机能够处理本国语言，各自制定编码规范，不可避免会有各种各样的冲突。为了同一编码，出现了Unicode编码，采用多字节编码。Unicode的标准在不断发展，常见的是采用两个字节，16个bit表示一个字符的，如果是不常见的字符，也可以扩展到多个字节。

1.5 UTF-8

为了能表示更多的字符，Unicode采用长字节编码，这样会造成存储和带宽的浪费。UTF-8应运而生，采用边长的编码方式，实际上UFT-8是Unicode规则字库的一种实现形式。如果一个字节的首位是0，那么就表示一个字符，如果一个字节的首位是1，那么继续扩展一个字节编码判断。这种编码方式使UTF-8得到迅速推广。

1.6 各种编码的使用场景

ASCII:适用于英文的使用环境
GB2312、GBK:适用于中文字符编码
Unicode:通用，常作为中间编码，转换其他编码
UTF-8:节约存储空间和宽带资源，应用非常广

2. Python的编码

Python默认脚本的编码方式是ASCII，如果使用了非ASCII的字符，通常会在第一行或第二行指定编码方式，# -*- coding=utf-8 -*- 或者 #coding=utf-8，当然也可以采用其他字符集，gbk等，但强烈建议保持utf8。

2.1 字典类型

字典是可变容器模型，可存储任意类型对象。键必须是唯一的，但值不必。格式如下：

`1`	`d = {key1 : value1, key2 : value2 }`

在ipython下执行，返回类型：

    In [1] :dic_a = ｛'name':'tom'｝
    In [2] :type(dic_a)
    Out [2] :dict
    In [3] :dic_a['name']
    Out [3] :'tom'

2.2 列表和元组

列表的数据项不需要具有相同的类型，列表是使用中括号中逗号分割单元定义的,列表的元素允许相同。格式如下：

`1`	`list= ['value1', 'value2', num1, num1]`

在ipython下执行：

    In [1] :list_a = ['a','b',1,2]
    In [2] :type(list_a)
    Out [2] :list
    In [3] :list_a[0]
    Out [3] :'a'

元组是使用圆括号中逗号分割单元定义，但是元组的内容是不允许改变的。格式如下：

`1`	`tuple= ('value1', 'value2', num1, num1)`

在ipython下执行：

    In [1] :tuple_a = ('a','b',1,2)
    In [2] :type(tuple_a)
    Out [2] :tuple
    In [3] :tuple_a[0]
    Out [3] :'a'

2.3 Python的字符数据类型

Python中有两种字符串类型，分别是 str 类型（8 bit的序列）和 unicode类型（每个unit是一个unicode对象）。当Python读取一个文本内容时，保持的对象为str类型。而以Unicode编码的字符串需要用u’‘表示。

    In [1] :u'我'
    Out [1] :u'\u6211'
    In [2] :u'我'.encode('gbk')
    Out [2] :'\xce\xd2'
    In [3] :u'我'.encode('utf8')
    Out [3] :'\xe6\x88\x91'

上面编码使用的十六进制显示，使用print可以直接打印出表示的字符。可以看到字符一样，不同的编码存储开销是不一样的。

2.4 JSON数据

json字符串实际上是字符串，只不过它是由单引号包裹的，但是必须符合一定的字符规则。这里有四条：

并列的数据之间用逗号（", “）分隔
映射用冒号（” : “）表示
并列数据的集合（数组）用方括号(”[]")表示
映射的集合（对象）用大括号（"{}"）表示

json模块提供了两个函数 json.dumps() 和json.loads() 来编码和解码json数据。使用起来非常简单，需要注意的是dumps之后，tuple会变成list，loads之后不会完全恢复。json模块还提供dump和load函数，应用与需要将json存储到文件、套接字，而当做字符串处理时，使用dumps和loads函数。还有一点需要注意，loads会对字符串进行Unicode的编码，如果需要保持原编码，请使用ast.literal_eval。
在python下执行，返回类型：

    In [1] :import json
    In [2] :obj_a={'name':'tom','age':20,'position':(1,2,3)}
    In [3] :json_a = json.dumps(obj_a)
    In [4] :json_a
    Out [4] :'{"position":[1,2,3],"age":20,"name":"tom"}'
    In [5] :type(json_a)
    Out [5] :str
    In [6] :obj_b=json.loads(json_a)
    In [7] :obj_b
    Out [7] :{u'age': 20, u'name': u'tom', u'position': [1, 2, 3]}
    In [8] :type(obj_b)
    Out [8] :dict
    In [9] :ast.literal_eval(json_a)
    Out [9] : {'age':20,'name':'tom','position':[1,2,3]}
    In [10] :type(ast.literal_eval(json_a))
    Out [10] : dict

同时，Python还提供ord()和chr()两个函数对字母和数字相互转换。

3. MySQL的字符编码

3.1 基本概念

MySQL字符集包括字符集和校对规则两个概念。字符集定义MySQL存储字符串的方式，校对规则定义比较字符串的方式。字符集和校对规则是一对多的关系，MySQL支持30多种字符集的70多种校对规则。

3.2 校对规则选择

使用utf8_general_ci的速度快，而使用utf8_unicode_ci比较准确。 utf8_unicode_ci的准确主要体现德语和法语上，对于一般的国内应用场景，建议使用general规则就足够。另外，由于unicode和general对大小写都不敏感，utf8_bin_ci也有一定的应用场景。

3.3 注意事项

字符集通常直接选择utf8编码就足够。但是在有Emoji表情存储需求时会出现错误。MySQL的utf8编码最多3个字节，而Emoji表情是4个字节。为了能够存储Emoji，应该选用utf8mb4字符集。

4. 参考

http://python3-cookbook.readthedocs.io/zh_CN/latest/c06/p02_read-write_json_data.html
http://dev.mysql.com/doc/refman/5.7/en/charset-unicode-sets.html
https://zh.wikipedia.org/wiki/GB_2312
https://zh.wikipedia.org/zh-cn/Unicode

推荐订阅源

陈少文的网站