当默认编码为 ASCII 时，为什么 Python 会打印 unicode 字符？

Question

从 Python 2.6 外壳：

>>> import sys
>>> print sys.getdefaultencoding()
ascii
>>> print u'\xe9'
é
>>> 

我预计在打印语句之后会有一些乱码或错误，因为“é”字符不是 ASCII 的一部分，而且我没有指定编码。我想我不明白 ASCII 作为默认编码是什么意思。

编辑

I moved the edit to the Answers section and accepted it as suggested.

Answer 1

根据Python default/implicit string encodings and conversions：

• 当printing unicode 时，它是encoded 和<file>.encoding。
  • 当encoding未设置时，unicode被隐式转换为str（因为它的编解码器是sys.getdefaultencoding()，即ascii，任何国家字符都会导致UnicodeEncodeError）
  • 对于标准流，encoding 是从环境中推断出来的。它通常设置为 fot tty 流（来自终端的区域设置），但可能不会为管道设置
    • 所以print u'\xe9' 在输出到终端时可能会成功，如果被重定向则可能会失败。一种解决方案是在printing 之前使用所需编码的字符串encode()。
• 当printing str 时，字节按原样发送到流中。终端显示的字形取决于其区域设置。

Answer 2

当 Unicode 字符被打印到标准输出时，sys.stdout.encoding 被使用。假定非 Unicode 字符位于 sys.stdout.encoding 中，并且只是发送到终端。在我的系统（Python 2）上：

>>> import unicodedata as ud
>>> import sys
>>> sys.stdout.encoding
'cp437'
>>> ud.name(u'\xe9') # U+00E9 Unicode codepoint
'LATIN SMALL LETTER E WITH ACUTE'
>>> ud.name('\xe9'.decode('cp437')) 
'GREEK CAPITAL LETTER THETA'
>>> '\xe9'.decode('cp437') # byte E9 decoded using code page 437 is U+0398.
u'\u0398'
>>> ud.name(u'\u0398')
'GREEK CAPITAL LETTER THETA'
>>> print u'\xe9' # Unicode is encoded to CP437 correctly
é
>>> print '\xe9'  # Byte is just sent to terminal and assumed to be CP437.
Θ

sys.getdefaultencoding() 仅在 Python 没有其他选项时使用。

请注意，Python 3.6 或更高版本会忽略 Windows 上的编码，并使用 Unicode API 将 Unicode 写入终端。没有 UnicodeEncodeError 警告，如果字体支持，则会显示正确的字符。即使字体 不 支持它，字符仍然可以从终端剪切并粘贴到具有支持字体的应用程序中，并且它是正确的。升级！

Answer 3

它对我有用：

import sys
stdin, stdout = sys.stdin, sys.stdout
reload(sys)
sys.stdin, sys.stdout = stdin, stdout
sys.setdefaultencoding('utf-8')

Answer 4

感谢各种回复的点点滴滴，我想我们可以拼凑一个解释。

通过尝试打印 unicode 字符串 u'\xe9'，Python 隐式尝试使用当前存储在 sys.stdout.encoding 中的编码方案对该字符串进行编码。 Python 实际上是从启动它的环境中获取这个设置的。如果它不能从环境中找到合适的编码，那么它才会恢复到它的默认，ASCII。

例如，我使用编码默认为 UTF-8 的 bash shell。如果我从它启动 Python，它会选择并使用该设置：

$ python

>>> import sys
>>> print sys.stdout.encoding
UTF-8

让我们暂时退出 Python shell 并使用一些虚假编码设置 bash 的环境：

$ export LC_CTYPE=klingon
# we should get some error message here, just ignore it.

然后再次启动 python shell 并验证它确实恢复为默认的 ascii 编码。

$ python

>>> import sys
>>> print sys.stdout.encoding
ANSI_X3.4-1968

宾果！

如果您现在尝试在 ascii 之外输出一些 unicode 字符，您应该会收到一条不错的错误消息

>>> print u'\xe9'
UnicodeEncodeError: 'ascii' codec can't encode character u'\xe9' 
in position 0: ordinal not in range(128)

---

让我们退出 Python 并丢弃 bash shell。

我们现在将观察 Python 输出字符串后会发生什么。为此，我们将首先在图形终端（我使用 Gnome 终端）中启动一个 bash shell，然后我们将终端设置为使用 ISO-8859-1 aka latin-1 解码输出（图形终端通常有一个 在其下拉菜单之一中设置字符编码）。请注意，这不会改变实际 shell 环境的 编码，它只会改变 终端 本身对它给出的输出进行解码的方式，有点像网络浏览器。因此，您可以独立于 shell 环境更改终端的编码。然后让我们从 shell 启动 Python 并验证 sys.stdout.encoding 是否设置为 shell 环境的编码（对我来说是 UTF-8）：

$ python

>>> import sys

>>> print sys.stdout.encoding
UTF-8

>>> print '\xe9' # (1)
é
>>> print u'\xe9' # (2)
é
>>> print u'\xe9'.encode('latin-1') # (3)
é
>>>

(1) python 按原样输出二进制字符串，终端接收它并尝试将其值与 latin-1 字符映射匹配。在 latin-1 中，0xe9 或 233 产生字符“é”，这就是终端显示的内容。

(2) python 尝试隐式使用 sys.stdout.encoding 中当前设置的任何方案对 Unicode 字符串进行编码，在本例中为“UTF-8”。经过 UTF-8 编码后，生成的二进制字符串是 '\xc3\xa9'（见后面的解释）。终端这样接收流并尝试使用 latin-1 解码 0xc3a9，但 latin-1 从 0 变为 255，因此一次只解码 1 个字节的流。 0xc3a9 有 2 个字节长，因此 latin-1 解码器将其解释为 0xc3 (195) 和 0xa9 (169) 并产生 2 个字符：Ã 和 ©。

(3) python 使用 latin-1 方案对 unicode 代码点 u'\xe9' (233) 进行编码。结果 latin-1 代码点的范围是 0-255，并且指向与该范围内的 Unicode 完全相同的字符。因此，该范围内的 Unicode 代码点在以 latin-1 编码时将产生相同的值。因此以 latin-1 编码的 u'\xe9' (233) 也会产生二进制字符串 '\xe9'。终端接收该值并尝试在 latin-1 字符映射上匹配它。就像案例（1）一样，它产生“é”，这就是显示的内容。

现在让我们从下拉菜单中将终端的编码设置更改为 UTF-8（就像您更改网络浏览器的编码设置一样）。无需停止 Python 或重新启动 shell。终端的编码现在匹配 Python 的。让我们再次尝试打印：

>>> print '\xe9' # (4)

>>> print u'\xe9' # (5)
é
>>> print u'\xe9'.encode('latin-1') # (6)

>>>

(4) python 按原样输出 binary 字符串。终端尝试使用 UTF-8 解码该流。但是 UTF-8 不理解值 0xe9（请参阅后面的解释），因此无法将其转换为 unicode 代码点。未找到代码点，未打印字符。

(5) python 尝试隐式使用 sys.stdout.encoding 中的任何内容对 Unicode 字符串进行编码。仍然是“UTF-8”。生成的二进制字符串是 '\xc3\xa9'。终端接收流并尝试也使用 UTF-8 解码 0xc3a9。它产生返回码值 0xe9 (233)，它在 Unicode 字符映射上指向符号“é”。终端显示“é”。

(6) python 用 latin-1 编码 unicode 字符串，它产生一个具有相同值 '\xe9' 的二进制字符串。同样，对于终端，这与案例 (4) 几乎相同。

结论： - Python 将非 unicode 字符串作为原始数据输出，而不考虑其默认编码。如果终端当前的编码与数据匹配，终端恰好会显示它们。 - Python 使用 sys.stdout.encoding 中指定的方案编码后输出 Unicode 字符串。 - Python 从 shell 环境中获取该设置。 - 终端根据自己的编码设置显示输出。 - 终端的编码独立于 shell 的。

---

有关 unicode、UTF-8 和 latin-1 的更多详细信息：

Unicode 基本上是一个字符表，其中一些键（代码点）通常被分配以指向一些符号。例如按照惯例，已决定键 0xe9 (233) 是指向符号“é”的值。 ASCII 和 Unicode 使用从 0 到 127 的相同代码点，latin-1 和 Unicode 从 0 到 255 也是如此。即 ASCII 中的 0x41 指向 'A'，latin-1 和 Unicode 中的 0xc8 指向 'Ü' latin-1 和 Unicode，0xe9 指向 latin-1 和 Unicode 中的 'é'。

在使用电子设备时，Unicode 代码点需要一种有效的电子方式来表示。这就是编码方案的意义所在。存在各种 Unicode 编码方案（utf7、UTF-8、UTF-16、UTF-32）。最直观和直接的编码方法是简单地使用 Unicode 映射中的代码点值作为其电子形式的值，但 Unicode 目前有超过一百万个代码点，这意味着其中一些需要 3 个字节表达。为了有效地处理文本，1 对 1 映射将是相当不切实际的，因为它要求所有代码点存储在完全相同的空间中，每个字符至少 3 个字节，而不管它们的实际需要。

大多数编码方案在空间要求方面存在缺陷，最经济的方案并未涵盖所有 unicode 码位，例如 ascii 仅涵盖前 128 个，而 latin-1 涵盖前 256 个。其他尝试更全面的最终也很浪费，因为它们需要比必要更多的字节，即使对于常见的“便宜”字符也是如此。例如，UTF-16 每个字符至少使用 2 个字节，包括 ascii 范围内的那些（'B' 是 65，在 UTF-16 中仍然需要 2 个字节的存储空间）。 UTF-32 更加浪费，因为它将所有字符存储在 4 个字节中。

UTF-8 恰好巧妙地解决了这一难题，其方案能够存储具有可变字节空间数量的代码点。作为其编码策略的一部分，UTF-8 将代码点与指示（可能对解码器）它们的空间要求和边界的标志位相结合。

ASCII 码点的 UTF-8 编码在 ascii 范围 (0-127) 中：

0xxx xxxx  (in binary)

• x 表示在编码期间保留用于“存储”代码点的实际空间
• 前导 0 是一个标志，向 UTF-8 解码器指示此代码点只需要 1 个字节。
• 在编码时，UTF-8 不会更改该特定范围内代码点的值（即 UTF-8 编码的 65 也是 65）。考虑到 Unicode 和 ASCII 在同一范围内也兼容，顺便说一下，UTF-8 和 ASCII 在该范围内也兼容。

例如'B' 的 Unicode 代码点在二进制中是 '0x42' 或 0100 0010（正如我们所说，在 ASCII 中是相同的）。 UTF-8编码后变成：

0xxx xxxx  <-- UTF-8 encoding for Unicode code points 0 to 127
*100 0010  <-- Unicode code point 0x42
0100 0010  <-- UTF-8 encoded (exactly the same)

127 以上的 Unicode 码位（非 ascii）的 UTF-8 编码：

110x xxxx 10xx xxxx            <-- (from 128 to 2047)
1110 xxxx 10xx xxxx 10xx xxxx  <-- (from 2048 to 65535)

• 前导位“110”向 UTF-8 解码器指示以 2 个字节编码的代码点的开头，而“1110”表示 3 个字节，11110 表示 4 个字节，依此类推。
• 内部“10”标志位用于表示内部字节的开始。
• 同样，x 标记编码后存储 Unicode 代码点值的空间。

例如'é' Unicode 代码点是 0xe9 (233)。

1110 1001    <-- 0xe9

UTF-8对该值进行编码时，判断该值大于127小于2048，因此应编码为2字节：

110x xxxx 10xx xxxx   <-- UTF-8 encoding for Unicode 128-2047
***0 0011 **10 1001   <-- 0xe9
1100 0011 1010 1001   <-- 'é' after UTF-8 encoding
C    3    A    9

UTF-8 编码后的 0xe9 Unicode 码位变为 0xc3a9。这正是终端接收它的方式。如果您的终端设置为使用 latin-1（非 unicode 传统编码之一）解码字符串，您将看到 é，因为恰好 latin-1 中的 0xc3 指向 à 和 0xa9 指向 ©。

Answer 5

您通过输入明确的 Unicode 字符串指定了编码。比较不使用u前缀的结果。

>>> import sys
>>> sys.getdefaultencoding()
'ascii'
>>> '\xe9'
'\xe9'
>>> u'\xe9'
u'\xe9'
>>> print u'\xe9'
é
>>> print '\xe9'

>>> 

在\xe9 的情况下，Python 会采用您的默认编码 (Ascii)，因此打印...一些空白。

Answer 6

Python REPL 尝试从您的环境中获取要使用的编码。如果它发现一些理智的东西，那么这一切都只是工作。当它无法弄清楚发生了什么时，它就会出错。

>>> print sys.stdout.encoding
UTF-8