python3中編碼與解碼之Unicode與bytes(轉帖)

今天玩Python爬蟲，下載一個網頁，然后把所有內容寫入一個txt文件中，出現錯誤；

TypeError: write() argument must be str, not bytes

AttributeError: 'URLError' object has no attribute 'code'

UnicodeEncodeError: 'gbk' codec can't encode character '\xa0' inposition 5747: illegal multibyte sequence

一看就是編碼問題，不懂，度娘上面這方面講得不多，感覺沒說清楚，自己研究了一晚上，摸出了一點門道。

從頭說起，由於各國語言文字不同，起初要在計算機中表示，就有了各種各樣的編碼（例如中文的gb2312）。但是這樣就出現了兼容性的問題，所以就有了Unicode，也就是所謂的萬國碼，python3中字符串類型str就是以Unicode編碼格式編碼，所以我們在Python3 中看到多種語言文字的字符串而不會出現亂碼。

編碼是一種用一種特定的方式對抽象字符（Unicode）轉換為二進制形式（bytes）進行表示，也就是python3中的encode。解碼就是對用特定方式表示的二進制數據用特定的方式轉化為Unicode，也就是decode。

下圖就是編碼的核心：

一、字符的編碼：

Python對於bites類型的數據用帶‘b‘前綴的單引號活雙引號表示。

下面關於字符編碼解碼的代碼很好的解釋了上面的流程圖：

s='你好'
print(s)#輸出結果：你好
print(type(s))#輸出結果：<class 'str'>
s=s.encode('UTF-8')
print(s)#輸出結果：b'\xe4\xbd\xa0\xe5\xa5\xbd'
print(type(s))#輸出結果：<class 'bytes'>
s=s.decode('UTF-8')
print(s)#輸出結果：你好
print(type(s))#輸出結果：<class 'str'>

多說一句，如果你對str類型字符進行decode會報錯，同理，對bytes類型進行encode也會報錯。

二、文件編碼

在python 3 中字符是以Unicode的形式存儲的，當然這里所說的存儲是指存儲在計算機內存當中，如果是存儲在硬盤里，Python 3的字符是以bytes形式存儲，也就是說如果要將字符寫入硬盤，就必須對字符進行encode。對上面這段話再解釋一下，如果要將str寫入文件，如果以‘w’模式寫入，則要求寫入的內容必須是str類型；如果以‘wb’形式寫入，則要求寫入的內容必須是bytes類型。文章開頭出現的集中錯誤，就是因為寫入模式與寫入內容的數據類型不匹配造成的。

s1 = '你好'
#如果是以‘w’的方式寫入，寫入前一定要進行encoding，否則會報錯
with open('F:\\1.txt','w',encoding='utf-8') as f1:
    f1.write(s1)
s2 = s1.encode("utf-8")#轉換為bytes的形式
#這時候寫入方式一定要是‘wb’，且一定不能加encoding參數
with open('F:\\2.txt','wb') as f2:
    f2.write(s2)

有的人會問，我在系統里面用文本編輯器打開以bytes形式寫入的2.txt文件，發現里面顯示的是‘你好’，而不是‘b'\xe4\xbd\xa0\xe5\xa5\xbd'’，因為文本文檔打開2.txt時，又會對它進行decode，然后才給你看到。

三、網頁的編碼

網頁編碼和文件編碼方法差不多，如下urlopen下載下來的網頁read()且用decoding(‘utf-8’)解碼，那就必須以‘w’的方式寫入文件。如果只是read()而不用encoding(‘utf-8’)進行編碼，一定要以‘wb’方式寫入：

以‘w’方式寫入時：

response= url_open('http://blog.csdn.net/gs_zhaoyang/article/details/13768925 ' ,timeout=5 )
#此處以UTF-8方式進行解碼，解碼后的數據以unicode的方式存儲在html中
html = response.read().decode('UTF-8')
print(type(html))#輸出結果：<class 'str'>
#這時寫入方式一定要加encoding,以encoding
# 即UTF-8的方式對二進制數據進行編碼才能寫入
with open('F:\DownloadAppData\html.txt',"w" , encoding='UTF-8') as f:
    f.write(html)

以‘wb’方式寫入：

response= url_open('http://blog.csdn.net/gs_zhaoyang/article/details/13768925 ' ,timeout=5 )
html = response.read()#此處不需要進行解碼，下載下來
print(type(html))#輸出結果：<class 'bytes'>
with open('F:\DownloadAppData\html.txt',"wb" ) as f:
    f.write(html)

如果要在Python3中，對urlopen下來的網頁進行字符搜索，肯定也要進行decode，例如使用lxml.etree就必須進行decode。
————————————————
版權聲明：本文為CSDN博主「奧辰_」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/chb4715/article/details/79104299