我曾經(jīng)在深入淺出java中文問(wèn)題系列中研究過(guò)java的中文問(wèn)題，現在中文問(wèn)題已經(jīng)不再羈絆我在java世界中漫游的腳步了。最近，對Python產(chǎn)生了濃厚的興趣，誰(shuí)知道跟中文問(wèn)題這個(gè)老朋友又一次不期而遇?？磥?lái)，在代碼世界中，中文問(wèn)題會(huì )在很長(cháng)一段時(shí)間里跟我們形影不離。這也難怪，誰(shuí)讓當初發(fā)明計算機的不是我們中國人呢，否則，現在全世界的計算機都支持而且必須支持GBK，這樣，寫(xiě)這樣文章的人就不會(huì )是我了，而是大洋彼岸的一個(gè)金發(fā)碧眼的程序員，而且標題也相應改為 “studying the english problem in ‘大蟒‘ ”。。哈哈
YY而已，還是面對現實(shí)問(wèn)題吧。相對java而言，中文問(wèn)題在Python中的表現更為激烈。“激烈”的意思不是說(shuō)更為嚴重或者說(shuō)難于解決，只是Python對于decode＆encode錯誤的默認處理方式為strict，也就是直接報錯，而java使用replace的方式來(lái)處理了，因此java出現中文問(wèn)題后會(huì )打印出很多"??"。此外，Python的默認的encoding是ASCII，而java的默認encoding跟操作系統的encoding是一致的。在這一點(diǎn)上，我覺(jué)得java更為合理，這樣對程序員更為友好，也減少了newbies 開(kāi)始時(shí)的挫折感，是有利于語(yǔ)言的推廣的。但是，Python也有它的道理，畢竟ASCII是唯一的全世界所有平臺都支持的字符集，而且問(wèn)題始終是問(wèn)題，始終會(huì )出現的，逃避它還不如早點(diǎn)面對它。
好了，說(shuō)了這么多，該說(shuō)說(shuō)Python中中文問(wèn)題的癥狀了。在這之前，我們先要了解Python中有兩種字符串，分別是一般的字符串（每個(gè)字符用8 bits表示）和Unicode字符串（每個(gè)字符用一個(gè)或者多個(gè)字節表示），它們可以相互轉換。關(guān)于Unicode，Joel Spolsky 在 The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!) 中有生動(dòng)的說(shuō)明，Jason Orendorff 在 Unicode for programmers 有著(zhù)更為全面的描述，在此我就不再多說(shuō)什么了。來(lái)看下面的代碼：
x = u"中文你好"
print s
運行上述代碼，Python會(huì )給出下面的錯誤提示
說(shuō)是遇到非ASCII字符了，并讓我們參考pep-0263。PEP-0263（Python Enhancement Proposal）上面說(shuō)得很清楚了，Python也意識到了國際化問(wèn)題，并提出了解決方案。根據提案上面的要求，我們有如下代碼
# -*- coding:gb2312 -*- ＃必須在第一行或者第二行
print "-------------code 1----------------"
a = "中文a我愛(ài)你"
print a
print a.find("我")
b = a.replace("愛(ài)", "喜歡")
print b
print "--------------code 2----------------"
x = "中文a我愛(ài)你"
y = unicode(x, "gb2312")
print y.encode("gb2312")
print y.find(u"我")
z = y.replace(u"愛(ài)", u"喜歡")
print z.encode("gb2312")
print "---------------code 3----------------"
print y
程序運行的結果如下：
-------------code 1----------------
中文a我愛(ài)你
5
中文a我喜歡你
--------------code 2----------------
中文a我愛(ài)你
3
中文a我喜歡你
---------------code 3----------------
Traceback (most recent call last):
File "G:\Downloads\eclipse\workspace\p\src\hello.py", line 16, in <module>
print y
UnicodeEncodeError: ‘a(chǎn)scii‘ codec can‘t encode characters in position 0-1: ordinal not in range(128)
我們可以看到，通過(guò)引入編碼聲明，我們可以正常地在使用中文了，而且在code 1和2中，控制臺也能正確的把中文打印出來(lái)。但是，很明顯，上面的代碼也反映出了不少的問(wèn)題：
1、code 1 和 2在使用print時(shí)采用了不同的方式，1是直接print，而2在print之前先進(jìn)行編碼
2、code 1 和 2中在同樣的字符串查找同一個(gè)字符“我”，得出的結果不一樣（分別是5和3）
3、code 3 中直接打印unicode字符串 y時(shí)出現錯誤（這也是為什么code 2中要先進(jìn)行編碼的原因）
為什么？為什么？我們可以先在腦海中模擬一下我們使用Python的流程：首先，我們先用編輯器編寫(xiě)好源代碼，保存成文件。如果源代碼中有編碼聲明而且用的編輯器支持該語(yǔ)法，那么該文件就以相應的編碼方式保存在磁盤(pán)中。注意：編碼聲明和源文件的編碼不一定是一致的，你完全可以在編碼聲明中聲明編碼為UTF-8，但是用GB2312來(lái)保存源文件。當然，我們不可能自尋煩惱，故意寫(xiě)錯，而且好的IDE也能強制保證兩者的一致性，但是，如果我們用記事本或者EditPlus等編輯器來(lái)編寫(xiě)代碼的話(huà)，一不小心就會(huì )出現這種問(wèn)題的。
得到一個(gè).py文件后，我們就可以運行它了，這是，我們就把代碼交給Python解析器來(lái)完成解析工作。解析器讀入文件時(shí)，先解析文件中的編碼聲明，我們假設文件的編碼為gb2312，那么先將文件中的內容由gb2312轉換成Unicode，然后再把這些Unicode轉換為UTF-8格式的字節串。完成這一步驟后，解析器把這些UTF-8字節串分段，解析。如果遇到使用Unicode字符串，那么就使用相應的UTF-8字節串創(chuàng )建Unicode字符串，如果程序中使用的是一般的字符串，那么解析器先將UTF-8字節串通過(guò)Unicode轉換成相應編碼（這里就是gb2312編碼）的字節串，并用其創(chuàng )建一般的字符串對象。也就是說(shuō)，Unicode字符串跟一般字符串在內存中的存放格式是不一樣的，前者使用UTF-8的格式，后者使用GB2312格式。
好了，內存中的字符串存放格式我們知道了，下面我們要了解print的工作方式。print其實(shí)只是負責把內存中相應的字節串交給操作系統，讓操作系統相應的程序（譬如cmd窗口）進(jìn)行顯示。這里有兩種情況：
1、若字符串是一般的字符串，那么print只需把內存中相應的字節串推送給操作系統。如例子中的code 1。
2、如果字符串是Unicode字符串，那么print在推送之前先進(jìn)行相應的encode：我們可以顯示使用Unicode的encode方法使用合適的編碼方式來(lái)編碼（例子中code 2），否則Python使用默認的編碼方式進(jìn)行編碼，也就是ASCII（例子中的code 3）。當然ASCII是不可能正確編碼中文的，因此Python報錯。
至此，上面的三個(gè)問(wèn)題我們已經(jīng)可以解析第一和第三個(gè)了。至于第二個(gè)問(wèn)題，因為Python中有兩種字符串，一般字符串和Unicode字符串，兩者都有各自的字符處理方法。對于前者，方法是以字節的方式進(jìn)行的，而且在GB2312中，每個(gè)漢字占用兩個(gè)字節，因此得到的結果是5；對于后者，也就是Unicode字符串，所有字符都是統一看待的，因此得到3。
雖然上面只提到了控制臺程序的中文問(wèn)題，但是文件讀寫(xiě)以及網(wǎng)絡(luò )傳輸中出現的中文問(wèn)題在原理上都是類(lèi)似的。Unicode的出現可以很大程度上解決軟件的國際化問(wèn)題，同時(shí)Python為Unicode提供了極為良好的支持，因此，我建議大家在編寫(xiě)Python的程序時(shí)，都統一使用Unicode方式。保存文件時(shí)使用UTF-8的編碼方式。How to Use UTF-8 with Python有詳細的描述，大家可以參考一下。
Python中能導致出現中文問(wèn)題的地方還很多，譬如文件的讀寫(xiě)，網(wǎng)絡(luò )數據的傳輸等，希望大家能多多交流，共同解決這些問(wèn)題。
