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：
在這里 su 是unicode對象，
s_utf8是字節數組，存儲的是unicode 經過utf8編碼后的字節，'/xe5/x93/x88/xe5/x93/x88'
同樣，s_gbk存儲的是unicode經過gbk編碼后的字節。
在上面print中，為什么print s_utf8為亂碼，而print s_gbk就可以顯示的是中文？
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，至於輸出到文件或是打印出來是什么格式，完全取決於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、設定默認編碼 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')
后就可以轉換成功，為什么呢？
在python中str和unicode在編碼和解碼過程中，如果將一個str直接編碼成另一種編碼，會先把str解碼成unicode，采用的編碼為默認編碼，一般默認編碼是anscii，所以在上面示例代碼中第一次轉換的時候會出錯，當設定當前默認編碼為'gbk'后，就不會出錯了。
至於reload(sys)是因為Python2.5 初始化后會刪除 sys.setdefaultencoding 這個方法，我們需要重新載入。
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涓菡孧
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自帶的記事本編輯並存成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，現在終於有點眉目了，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編碼的控制台時，就將顯示為亂碼：鍝堝搱；而當把b情況下的str輸出utf-8編碼的控制台時，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。>_<
說完文件格式，現在來談談編碼聲明的作用吧，每個文件在最上面的地方，都會用# coding=gbk 類似的語句聲明一下編碼，但是這個聲明到底有什么用呢？到止前為止，我覺得它的作用也就是三個：
a、聲明源文件中將出現非ascii編碼，通常也就是中文；
b、在高級的IDE中，IDE會將你的文件格式保存成你指定編碼格式。
c、決定源碼中類似於u'哈'這類聲明的將‘哈’解碼成unicode所用的編碼格式，也是一個比較容易讓人迷惑的地方，
看示例：
- #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，對於'/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（關於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。
