彻彻底底地理解Python中的编码问题

Python处理文本的功能非常强大，但是如果是初学者，没有搞清楚python中的编码机制，也经常会遇到乱码或者decode error。本文的目的是简明扼要地说明python的编码机制，并给出一些建议。

问题1：问题在哪里？

问题是我们的靶子，心中没有问题去学习就会抓不住重点。

本文使用的编程环境是centos6.7，python2.7。我们在shell中键入python以打开python命令行，并键入如下两句话：

 s = "中国zg" e = s.encode("utf-8")

现在的问题是：这段代码能运行吗？

答案是不能，会报如下的错：

UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)

请留意一下错误中说明的0xe4，它是我们分析错误的突破口。

相信很多人都遇到过这个错误。那么新的问题来了。

问题2：Why？

要搞清楚原因，我们不妨认真分析下这两句话的执行流程：

首先，我们通过键盘在python命令行解释器中键入了 中国zg 并且给它加上了英文的双引号，然后又赋值给了变量s，看起来很稀松平常是不是？其实里面大有玄机。

当我们通过键盘在程序中输入字符时，我们是通过操作系统完成这个功能的。我们在屏幕上看到的 中国zg 实际上是操作系统给我们人类的一个反馈，告诉你：“嗨，哥们，你在程序中输入了字符 中国zg ”

那操作系统给程序的反馈是什么呢？答案就是01串，这个01串是什么样子，又是怎么生成的呢？

答案就是操作系统使用自己的默认编码方式，将中国zg进行了编码，并把编码后的01串给了程序。

我们用的centos系统默认的编码是utf-8，所以，只要知道中国zg每个字符的utf-8的编码就可以知道01串是什么了。

查询后，可以获得它们的编码是(以16进制和2进制表示)：

现在我们知道操作系统传给程序的01串长什么样子了。然后，程序会怎么处理它呢？

程序看到这个01串被双引号包围着，自然知道这个01串是一个字符串。然后这个字符串被赋值给了s。

到此，就是第一句的执行逻辑。

现在继续进行第二句的执行。

e = s.encode("utf-8")的意思是将字符串s用utf-8进行编码，并将编码后的字符串赋值给e。问题来了，程序现在知道s中的01串，还知道这个01串表示的是字符串，但这个字符串的编码是什么呢？我们必须知道01串的现有编码才能解析出里面的字符，也才能用新的编码方式，如utf-8来重新编码它。操作系统只给程序传来了01串，并没有告诉程序这个01串用的字符编码是什么。

此时，python程序就会用它自己默认的编码当作s的编码，进而来识别s中的内容。这个默认的编码是ASCII，所以，它会用ASCII来解释这个01串，识别出字符串的内容，再将这个字符串转为utf-8编码。

好了，程序碰到的第一个字节就是E4（11100101 ），傻眼！ ASCII编码中没有这玩意儿，因为ASCII编码中字节第一位都是0。

怎么办？

报错呗，于是我们就看到了上面的错误。

错误中的0xe4就是字符 “中” 的utf8编码的第一个字节。

问题3：How？