python utf-8编码的'潜水' 被识别为gb2312

Question

# coding=utf-8 import chardet a='潜' b='水' c='潜水' print [a] print chardet.detect(a) print [b] print chardet.detect(b) print [c] print chardet.detect(c) 运行的结果： ['\xe6\xbd\x9c'] {'confidence': 0.505, 'encoding': 'utf-8'} ['\xe6\xb0\xb4'] {'confidence': 0.505, 'encoding': 'utf-8'} ['\xe6\xbd\x9c\xe6\xb0\xb4'] {'confidence': 0.99, 'encoding': 'GB2312'} utf-8编码的两个字放在一起就被当成了gb2312格式。 我找了很久python编码的问题，但是还是找不到解决方案。 希望有朋友能解答。 补充，我是在ubuntu中测试的。 在mac下测试是正常的。 用的是 python2.7.6 locale: LANG=zh_CN.UTF-8 LANGUAGE=zh_CN:zh LC_CTYPE="zh_CN.UTF-8" LC_NUMERIC="zh_CN.UTF-8" LC_TIME="zh_CN.UTF-8" LC_COLLATE="zh_CN.UTF-8" LC_MONETARY="zh_CN.UTF-8" LC_MESSAGES="zh_CN.UTF-8" LC_PAPER="zh_CN.UTF-8" LC_NAME="zh_CN.UTF-8" LC_ADDRESS="zh_CN.UTF-8" LC_TELEPHONE="zh_CN.UTF-8" LC_MEASUREMENT="zh_CN.UTF-8" LC_IDENTIFICATION="zh_CN.UTF-8" LC_ALL=

Answer 1

现在是科普时间。（fault 需要科普的太多了，大部分问题根本不是不会，而是基础不行）

首先你得先搞清楚什么是编码。

对于计算机来说，它认识的就是01，称为 1bit，然后我们一般将 8bit 称为 1byte。那么这 1byte 能表示多少个字符呢？ 2^8 = 256 种。那么问题来了，对于中文来说，上万个字，怎么表示得完啊。
于是，就有了用多个 bytes 表示一个字的方法，这个表示方法就叫做编码。

而编码有各种不同的标准，比如 gb2312 比如 gb18030 比如 utf8。当你看到一个二进制串的时候，你的告诉我，它是什么编码的，别人才能理解。所以单独给出一个二进制串，它是什么编码的，是没有办法知道的，只能猜。
因为很重要，再说一遍，一个二进制串是什么编码的，只能猜，通过组合多个 bytes 看他是否在某个编码下合法，组合出来的字是否常见，猜！所以对于短文本，这是很不准的。甚至有一个二进制传，同时在 utf8 和 gb2312 下都是合法，合理的文字。

所以，回到你这个问题，一般来说 gb2312 是 2bytes 的，而且几乎所有的 2bytes 都能转换成 gb2312，所以，当它是一个字的时候，chardet 不会猜它是 gb2312，但是两个字的时候就有可能会。

什么是 unicode

这一堆编码有两个问题：

1. 世界上有很多语言，有更多种编码
2. gb2312 只有两字节，表示不完所有语言文字，而 utf8 是不定长的，你没法通过数二进制串知道它有几个字。

为了解决这两个问题，unicode 出现了，unicode 设计能够在编码空间内（不准确），容纳所有语言的所有字符。并且它是定长的（不准确）。所以，在 Python 中，我们提倡所有文字都使用 unicode。

但是，回到计算机体系中，计算机只认识 01，你是不能将一个 unicode 传递给别的系统的（不准确）。他们之间的传递，必须是二进制串。在这时，你必须将 unicode encode 为一个特定编码，而且这个编码是和对方系统约定好的。不然就会出现乱码，或者异常。这个过程发生在，例如：

• print 输出
• 将文字保存到文件
• 储存数据库
• 网络发包
• 调用 shell 程序

等等。

因为很重要再说一遍，你必须和对方系统约定正确的编码。二进制串不指定编码，别人是无法理解的。

Answer 2

为什么不使用unicode?

# coding=utf-8
a = u'潜'
b = u'水'
c = u'潜水'

Answer 3

编码自动检测没有万全之策，'\xe6\xbd\x9c\xe6\xb0\xb4' 可能在UTF-8和GB231编码方式下都能正确解析。

其实系统的当前locale设置应该是没有关系的。charset detecting 就是要在不知道目标文本的编码情况下，根据文本中的特征猜测字符集编码。所以原理上是不存在100%正确率的。

如果你为了保险，应该设上环境变量LC_ALL。LANG和LANGUAGE的影响都没有LC_ALL大。至于不同平台的结果不同，我们可以猜测为算法可能使用了平台相关的locale数据库一类的信息，或者是python的某些函数在不同平台上有差异。