很多次遇到python 3下的檔案編碼，解碼問題，我這裡的平臺是mac，下面吐血搞一波。。

1. ASCII編碼：

字串是一種資料型別，但是，字串比較特殊的是還有一個編碼問題。因為計算機只能處理數字，如果要處理文字，就必須先把文字轉換為數字才能處理。最早的計算機在設計時採用8個位元（bit）作為一個位元組（byte），所以，一個位元組能表示的最大的整數就是255（二進位制11111111=十進位制255），如果要表示更大的整數，就必須用更多的位元組。比如兩個位元組可以表示的最大整數是65535，4個位元組可以表示的最大整數是4294967295。

由於計算機是美國人發明的，因此，最早只有127個字母被編碼到計算機裡，也就是大小寫英文字母、數字和一些符號，這個編碼表被稱為ASCII編碼，比如大寫字母A的編碼是65，小寫字母z的編碼是122。

2. Unicode編碼

Unicode把所有語言都統一到一套編碼裡，這樣就不會再有亂碼問題了。
Unicode標準也在不斷髮展，但最常用的是用兩個位元組表示一個字元（如果要用到非常偏僻的字元，就需要4個位元組）。現代作業系統和大多數程式語言都直接支援Unicode。

ASCII編碼和Unicode編碼的區別：ASCII編碼是1個位元組，而Unicode編碼通常是2個位元組。

3. UTF-8編碼

新的問題又出現了：如果統一成Unicode編碼，亂碼問題從此消失了。但是，如果你寫的文字基本上全部是英文的話，用Unicode編碼比ASCII編碼需要多一倍的儲存空間，在儲存和傳輸上就十分不划算。

所以，又出現了把Unicode編碼轉化為“可變長編碼”的UTF-8編碼。UTF-8編碼把一個Unicode字元根據不同的數字大小編碼成1-6個位元組，常用的英文字母被編碼成1個位元組，漢字通常是3個位元組，只有很生僻的字元才會被編碼成4-6個位元組。如果你要傳輸的文字包含大量英文字元，用UTF-8編碼就能節省空間：

4. 檔案傳輸

在計算機記憶體中，統一使用Unicode編碼，當需要儲存到硬碟或者需要傳輸的時候，就轉換為UTF-8編碼。

用記事本編輯的時候，從檔案讀取的UTF-8字元被轉換為Unicode字元到記憶體裡，編輯完成後，儲存的時候再把Unicode轉換為UTF-8儲存到檔案：

瀏覽網頁的時候，伺服器會把動態生成的Unicode內容轉換為UTF-8再傳輸到瀏覽器：

所以你看到很多網頁的原始碼上會有類似的資訊，表示該網頁正是用的UTF-8編碼。

5. python 3 字串型別和 bytes 型別

字串
在最新的Python 3版本中，字串是以Unicode編碼的，也就是說，Python的字串支援多語言。

In [181]: print('包含中文的str')
包含中文的str

bytes
由於Python的字串型別是str，在記憶體中以Unicode表示，一個字元對應若干個位元組。如果要在網路上傳輸，或者儲存到磁碟上，就需要把str變為以位元組為單位的bytes。

Python對bytes型別的資料用帶b字首的單引號或雙引號表示：x = b'ABC'
要注意區分’ABC’和b’ABC’，前者是str，後者雖然內容顯示得和前者一樣，但bytes的每個字元都只佔用一個位元組。

（1）以Unicode表示的str通過encode()方法可以編碼為指定的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)

純英文的str可以用ASCII編碼為bytes，內容是一樣的，含有中文的str可以用UTF-8編碼為bytes。含有中文的str無法用ASCII編碼，因為中文編碼的範圍超過了ASCII編碼的範圍，Python會報錯。

（2）如果我們從網路或磁碟上讀取了位元組流，那麼讀到的資料就是bytes。要把bytes變為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()函式計算的是str的字元數，如果換成bytes，len()函式就計算位元組數

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

1箇中文字元經過UTF-8編碼後通常會佔用3個位元組，而1個英文字元只佔用1個位元組。

在操作字串時，我們經常遇到str和bytes的互相轉換。為了避免亂碼問題，應當始終堅持使用UTF-8編碼對str和bytes進行轉換。

Python原始碼也是一個文字檔案，所以，當你的原始碼中包含中文的時候，在儲存原始碼時，就需要務必指定儲存為UTF-8編碼。當Python直譯器讀取原始碼時，為了讓它按UTF-8編碼讀取，我們通常在檔案開頭寫上這兩行

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

第二行註釋是為了告訴Python直譯器，按照UTF-8編碼讀取原始碼，否則，你在原始碼中寫的中文輸出可能會有亂碼。

4. 修改資料夾下的所有文字的編碼

（1）Python3 中，在字元引號前加‘b’，明確表示這是一個 bytes 型別的物件，實際上它就是一組二進位制位元組序列組成的資料，bytes 型別可以是 ASCII範圍內的字元和其它十六進位制形式的字元資料，但不能用中文等非ASCII字元表示。

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 與 bytes 之間的轉換可以用 encode 和從decode 方法：

encode 負責字元到位元組的編碼轉換。預設使用 UTF-8 編碼準換。

In [198]: s = "Python之禪"

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 負責位元組到字元的解碼轉換，通用使用 UTF-8 編碼格式進行轉換。

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

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

下面是一個修改一個資料夾下的所有文字問價為utf-8的編碼格式的例子：

#!/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:  # 這裡讀檔案判斷編碼時必須是‘rb’的格式
            filecontent = f.read()
        return filecontent
    
    def converCode(self,filepath):
        file_con = self.readFile(filepath)
        result=chardet.detect(file_con)  # 判斷檔案編碼
        print('result:',result)
        if self.flag==0:            
            if result['encoding'] == 'GB2312':  # GBK是GB2312的擴充套件                
                unicode_raw = file_con.decode('GB2312')  # unicode_raw是位元組流
                unicode_done= unicode_raw.encode('utf-8')  # unicode_done是位元組流
                #print(str(unicode_done))
                with open(filepath, 'wb') as f: # 這裡寫檔案時必須時‘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()


# 例項化
tt=Unicode()
tt.start()

執行：

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檔案是我的mac系統下自動生成的，在這裡不影響說明問題。

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