Python 与 Unicode

最近使用 Python 2 处理一些网络相关的问题，被 Unicode, String 相关的一系列编码问题搞得一头雾水。在这里整理一下相关的概念吧。

ASCII Unicode UTF8

首先是与 Python 无关的编码问题。在这里理清楚这几个常见的名词：ASCII, Unicode, UTF8 之间的关系。

我们知道，为了使用计算机处理字符，需要将字符编码为数字。对于英文字符，128 个数字就够了，其中最常见的英文字符编码方案就是 ASCII，该方案规定了使用 7 位二进制数编码英文字符的方案。

对于非英文字符，特别是汉语这种有超大字符集的语言，需要需要一个很大的编码表将字符编码为数字。竞争之后现在通用的方案是 Unicode，该方案的目标是覆盖所有人类语言符号。也就是说，Unicode 定义了一个从任意字符到数字的一一映射关系。

对于 ASCII 而言，一个字符（使用 7 位编码）占用一个字节（8 位）就够了，可以简单地用这个字节表示一个无符号整数来代表编码，浪费并不大。但是对于 Unicode 而言，由于码表太大，需要很多字节才能表示一个 Unicode 编码数字，而且 Unicode 是一个成长中的项目，其码表不断扩充。因此，如何用字节表示 Unicode 编码数字就成了一个问题，UTF-8 就是解决这个问题的方案之一。该方案是一种变长方案，使用不定长的字节表示一个数字。方案对于包含在 ASCII 码表中的字符只使用 1 个字节进行编码，对于非英语拼音语言符号通常使用 2 个字节编码，汉字通常使用 3 个字节进行编码。

如果接触过信息论，可以很容易的理解变长编码是如何做到的。如果读者没有接触过信息论，这里展示一种简陋的变长编码方案，方便读者理解。
第一个字节总是使用无符号整数表示。当数值位于 [0,254] 中时，这个字节的代表的数值就是编码的数值。但当数值是 255 时，不表示这个数字是 255，而是表示这个数字加上之后两位（16 bit) 代表的数之后才是编码的数字，于是这个边长方案能使用 1~3 字节编码 [0, (2 ^ 16 - 1) + (2 ^ 8 - 1)] 之间的数字。

总结而言就是，Unicode 是一个字符到数字映射表，而 UTF-8 是数字到字节的编码方案。ASCII 由于只使用一个字节，通常不太强调其数字的编码方案。

Python 与 Unicode

接下来是 Python 中对于字符串的处理。

python 2 中的 str 和 unicode

在 Python 2 中，其 str 类型规定了底层的数据结构，是 8 位整数串，也即跟 C 语言中的字符串类似。而 unicode 类型是整数串，并不规定整数的位数或保存方式。unicode.encode() 方法在指定一种编码方式之后返回一个 str 对象，即为这个 unicode 字符串在该编码方式之下的字节表示。

用例子说明这个问题：

# python 2
us = u"你好"
assert(len(us) == 2)
# us 是整数串，共有两个整数，代表两个字符

s = us.encode("utf8")
assert(len(s) == 6)
# 使用 utf8 编码之后，每个汉字用 3 个字节表示，共 6 个字节

仅仅是这样，并不会引起太大的混淆。一个问题是 python 2 的字符串是可以被初始化为非英文字符的：

# python 2
s = "你好"
assert(len(s) == 6)

这种情况下解释器会自动完成编码工作，具体编码方式笔者认为用户不应该知道，而且笔者认为这种用法可能不是一种很好的用法。

更加糟糕的是，python 2 的 print 语句表现有时候会有些神奇：

# python 2
print "你好"
# 得到 你好
print u"你好"
# 得到 你好
print ["你好"]
# 得到 ['\xe4\xbd\xa0\xe5\xa5\xbd']
print [u"你好"]
# 得到 [u'\u4f60\u597d']

也就是，只有当直接 print str 或者 print unicode 的时候能够正常输出中文，其他情况下， print [str] 会输出 'str'， print [unicode] 会输出 u'unicode'。这些打印结果看上去会让人怀疑没有解码，实际上是 print 语句的行为而已。

python 3 中的 byte 和 str

在 python 2 中，str 是一种底层数据结构，类似于比特串，但 string 这个英语单词的意思是字符串，容易引起混淆，如 unicode.encode() 返回值是一个 str，逻辑上并不恰当。

这些问题在 python 3 中得到解决。python 2 中的 str 类型相当于 python 3 中的 bytes 类型， bytes 这个名字明确的指出这是字节串，并且不指定字节串代表什么东西。而 python 3 中的 str 类似于 python 2 中的 unicode 类型， 不再指定底层编码规则。str.encode() 返回一个 bytes 类型也更加符合逻辑。

用例子说明：

# python 3
s = "你好“
assert(len(s) == 2)

bs = s.encode('utf8')
assert(len(s) == 6)

Python 3 中的 print 函数一般总是可以正常打印 str，而不是输出码值。