Python：一图看懂Python2还是Python3的编码

无论是Python2还是Python3，都使用unicode作为内存编码，简称内码。保存在python解释器内存中的文本，输出到屏幕、编辑器，或者保存成文件的时候，都要将内码转换成utf8或者gbk等编码格式；同样，python解释器从输入设备接收文本，或者从文件读取文本的时候，都要将utf8或者gbk等编码转换成unicode编码格式。因此，无论是Python2还是Python3，想要在unicode、utf8、gbk等编码格式之间转换的话，下图是通用的：

我们之所以会产生困惑，是因为py2和Python3给这些编码格式指定了令人困惑的名字。Python2的字符串有两种类型：unicode类型和str类型。Python2的unicode类型就是unicode编码，Python2的str类型泛指除unicode编码之外的所有编码，包括ascii编码、utf8编码、gbk编码、cp936编码等。Python3的字符串也有两种类型：bytes类型和str类型。Python3的str类型就是unicode编码，Python3的bytes类型泛指除unicode编码之外的所有编码，包括ascii编码、utf8编码、gbk编码、cp936编码等。同样是str类型，在Python2和Python3中完全颠倒了！下图稍微补充了一点内容，更有助于理解编码问题。

接下来，我们实战演练一下。

s = 'abc天圆地方'
type(s)

len(s)

7

s

'abc天圆地方'

print(s)

abc天圆地方

s.encode('unicode-escape')

b'abc\u5929\u5706\u5730\u65b9'
不管是否在字符串前面加了u，只要不在字符串前面使用b，在IDLE中定义的字符串都是unicode编码，也就是py3的，其长度就是字符数量，不是字节数。我们把unicode字符串’abc天圆地方’转成utf8编码：

s_utf8 = s.encode('utf8')
type(s_utf8)

len(s_utf8)

15

s_utf8

b'abc\xe5\xa4\xa9\xe5\x9c\x86\xe5\x9c\xb0\xe6\x96\xb9'

print(s_utf8)

b'abc\xe5\xa4\xa9\xe5\x9c\x86\xe5\x9c\xb0\xe6\x96\xb9'

s_utf8.decode('utf8')

'abc天圆地方'
utf8编码就是bytes类型（字节码），长度就是字节数量。我们把unicode字符串’abc天圆地方’转成gbk编码：

s_gbk= s.encode('gbk')
type(s_gbk)

len(s_gbk)

11

s_gbk

b'abc\xcc\xec\xd4\xb2\xb5\xd8\xb7\xbd'

print(s_gbk)

b'abc\xcc\xec\xd4\xb2\xb5\xd8\xb7\xbd'

s_gbk.decode('s_gbk')

'abc天圆地方'
gbk编码也是bytes类型（字节码），长度也是字节数量。我们再来看看，不同编码的字节码能否连接：

ss = s_utf8 + s_gbk
ss

b'abc\xe5\xa4\xa9\xe5\x9c\x86\xe5\x9c\xb0\xe6\x96\xb9abc\xcc\xec\xd4\xb2\xb5\xd8\xb7\xbd'

ss.decode('utf8')

Traceback (most recent call last):
File "", line 1, in
ss.decode('utf8')
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xcc in position 18: invalid continuation byte

ss.decode('gbk')

'abc澶╁渾鍦版柟abc天圆地方'

ss.decode('utf8', 'ignore')

'abc天圆地方abcԲط'

ss.decode('gbk', 'ignore')

'abc澶╁渾鍦版柟abc天圆地方'
看以看出，不同编码的字节码可以连接，但一般不能解码成unicode（字符串），除非使用ignore参数。