详解python 3下文本文件的编解码

很多次遇到python 3下的文件编码，解码问题，我这里的平台是mac，下面吐血搞一波。。

1. ASCII编码：

字符串是一种数据类型，但是，字符串比较特殊的是还有一个编码问题。因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是255（二进制11111111=十进制255），如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是65535，4个字节可以表示的最大整数是4294967295。

由于计算机是美国人发明的，因此，最早只有127个字母被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122。

2. Unicode编码

Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。
Unicode标准也在不断发展，但最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）。现代操作系统和大多数编程语言都直接支持Unicode。

ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码通常是2个字节。

3. UTF-8编码

新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。

所以，又出现了把Unicode编码转化为“可变长编码”的UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间：

4. 文件传输

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。

用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件：

浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器：

所以你看到很多网页的源码上会有类似的信息，表示该网页正是用的UTF-8编码。

5. python 3 字符串类型和 bytes 类型

字符串
在最新的Python 3版本中，字符串是以Unicode编码的，也就是说，Python的字符串支持多语言。

In [181]: print('包含中文的str')
包含中文的str

bytes
由于Python的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节。如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes。

Python对bytes类型的数据用带b前缀的单引号或双引号表示：x = b'ABC'
要注意区分’ABC’和b’ABC’，前者是str，后者虽然内容显示得和前者一样，但bytes的每个字符都只占用一个字节。

（1）以Unicode表示的str通过encode()方法可以编码为指定的bytes。例如：

In [182]: 'ABC'.encode('ascii')
Out[182]: b'ABC'

In [183]: '中文'.encode('utf-8')
Out[183]: b'\xe4\xb8\xad\xe6\x96\x87'

In [184]: '中文ABC'.encode('utf-8')
Out[184]: b'\xe4\xb8\xad\xe6\x96\x87ABC'

In [185]: '中文'.encode('ascii')
Traceback (most recent call last):

  File "<ipython-input-185-76f41cd8dafa>", line 1, in <module>
    '中文'.encode('ascii')

UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

纯英文的str可以用ASCII编码为bytes，内容是一样的，含有中文的str可以用UTF-8编码为bytes。含有中文的str无法用ASCII编码，因为中文编码的范围超过了ASCII编码的范围，Python会报错。

（2）如果我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。要把bytes变为str，就需要用decode()方法：

In [193]: b'ABC'.decode('ascii')
Out[193]: 'ABC'

In [194]: b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
Out[194]: '中文'

（3）len()函数计算的是str的字符数，如果换成bytes，len()函数就计算字节数

>>> len(b'ABC')
3
>>> len(b'\xe4\xb8\xad\xe6\x96\x87')
6
>>> len('中文'.encode('utf-8'))
6

1个中文字符经过UTF-8编码后通常会占用3个字节，而1个英文字符只占用1个字节。

在操作字符串时，我们经常遇到str和bytes的互相转换。为了避免乱码问题，应当始终坚持使用UTF-8编码对str和bytes进行转换。

Python源代码也是一个文本文件，所以，当你的源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上这两行

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

第二行注释是为了告诉Python解释器，按照UTF-8编码读取源代码，否则，你在源代码中写的中文输出可能会有乱码。

4. 修改文件夹下的所有文本的编码

（1）Python3 中，在字符引号前加‘b’，明确表示这是一个 bytes 类型的对象，实际上它就是一组二进制字节序列组成的数据，bytes 类型可以是 ASCII范围内的字符和其它十六进制形式的字符数据，但不能用中文等非ASCII字符表示。

In [195]: b'a'
Out[195]: b'a'

In [196]: b'\xe7\xa6\x85'
Out[196]: b'\xe7\xa6\x85'

In [197]: b'中文'
  File "<ipython-input-197-241a368e5c3e>", line 1
    b'中文'
         ^
SyntaxError: bytes can only contain ASCII literal characters.

（2）str 与 bytes 之间的转换可以用 encode 和从decode 方法：

encode 负责字符到字节的编码转换。默认使用 UTF-8 编码准换。

In [198]: s = "Python之禅"

In [199]: s.encode()
Out[199]: b'Python\xe4\xb9\x8b\xe7\xa6\x85'

In [200]: s.encode("gbk")
Out[200]: b'Python\xd6\xae\xec\xf8'

decode 负责字节到字符的解码转换，通用使用 UTF-8 编码格式进行转换。

In [201]: b'Python\xe4\xb9\x8b\xe7\xa6\x85'.decode()
Out[201]: 'Python之禅'

In [202]: b'Python\xd6\xae\xec\xf8'.decode("gbk")
Out[202]: 'Python之禅'

下面是一个修改一个文件夹下的所有文本问价为utf-8的编码格式的例子：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Wed Oct 31 09:42:29 2018

@author: lilong
"""


import chardet
import os


class Unicode(object):
     
    def __init__(self):
        self.file_path='/Users/lilong/Desktop/coding_test/'
        self.flag=0
    
    def readFile(self,file_path):
        with open(file_path, 'rb') as f:  # 这里读文件判断编码时必须是‘rb’的格式
            filecontent = f.read()
        return filecontent
    
    def converCode(self,filepath):
        file_con = self.readFile(filepath)
        result=chardet.detect(file_con)  # 判断文件编码
        print('result:',result)
        if self.flag==0:            
            if result['encoding'] == 'GB2312':  # GBK是GB2312的扩展                
                unicode_raw = file_con.decode('GB2312')  # unicode_raw是字节流
                unicode_done= unicode_raw.encode('utf-8')  # unicode_done是字节流
                #print(str(unicode_done))
                with open(filepath, 'wb') as f: # 这里写文件时必须时‘wb’的格式
                    f.write(unicode_done)
        else:
            pass
        
    def listDirFile(self,file_path):
        list_ = os.listdir(file_path)
        for ll in list_:
            filepath = os.path.join(file_path, ll)
            if os.path.isdir(filepath):
                self.listDirFile(filepath)
            else:
                print('ll:',ll)
                self.converCode(filepath)            
    
    def check(self):
        self.flag=1
        self.listDirFile(self.file_path)
    
    def start(self):
        self.listDirFile(self.file_path)
        self.check()


# 实例化
tt=Unicode()
tt.start()

运行：

ll: .DS_Store
result: {'encoding': 'Windows-1252', 'confidence': 0.73, 'language': ''}
ll: 2.txt
result: {'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}
ll: 1.txt
result: {'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}
ll: .DS_Store
result: {'encoding': 'Windows-1252', 'confidence': 0.73, 'language': ''}
ll: 2.txt
result: {'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}
ll: 1.txt
result: {'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}

.DS_Store文件是我的mac系统下自动生成的，在这里不影响说明问题。

参考：
https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001431664106267f12e9bef7ee14cf6a8776a479bdec9b9000