來源：http://www.jb51.net/article/92006.htm

這兩天寫了個監測網頁的爬蟲，作用是跟蹤一個網頁的變化，但運行了一晚出現了一個問題。。。。希望大家不吝賜教！
我用的是python3，錯誤在對html response的decode時丟擲，程式碼原樣為：

丟擲錯誤為

之前執行都沒問題，經過一晚上就出現了。。。。最不明白的是在它宣告為utf-8編碼的網頁中為什麼會出現utf-8無法解析的字元？

後來經過熱心網友的提醒，才發現需要使用decode('utf-8', 'ignore')

為了徹底鬧明白python的編碼問題，特分享下文，希望對大家熟悉python的編碼問題帶來些幫助

1.從位元組說起：

一個位元組包括八個位元位，每個位元位表示0或1，一個位元組即可表示從00000000到11111111共2^8=256個數字。一個ASCII編碼使用一個位元組（除去位元組的最高位作為作奇偶校驗位），ASCII編碼實際使用一個位元組中的7個位元位來表示字元，共可表示2^7=128個字元。比如ASCII編碼中的01000001（即十進位制的65）表示字元'A'，01000001加上32之後的01100001（即十進位制的97）表示字元'a'。現在開啟Python，呼叫chr和ord函式，我們可以看到Python為我們對ASCII編碼進行了轉換。如圖

第一個00000000表示空字元，因此ASCII編碼實際上只包括了 字母、標點符號、特殊符號等共127個字元。因為ASCII是在美國出生的，對於由字母組成單詞進而用單詞表達的英文來說也是夠了。但是中國人、日本人、 韓國人等其他語言的人不服了。中文是一個字一個字，ASCII編碼用上了渾身解數256個字元都不夠用。 

因此後來出現了Unicode編碼。Unicode編碼通常由兩個位元組組成，共表示256*256個字元，即所謂的UCS-2。某些偏僻字還會用到四個位元組，即所謂的UCS-4。也就是說Unicode標準也還在發展。但UCS-4出現的比較少，我們先記住： 最原始的ASCII編碼使用一個位元組編碼，但由於語言差異字元眾多，人們用上了兩個位元組，出現了統一的、囊括多國語言的Unicode編碼。

在Unicode中，原本ASCII中的127個字元只需在前面補一個全零的位元組即可，比如前文談到的字元‘a'：01100001，在Unicode中變成了00000000 01100001。不久，美國人不開心了，吃上了世界民族之林的大鍋飯，原本只需一個位元組就能傳輸的英文現在變成兩個位元組，非常浪費儲存空間和傳輸速度。

人們再發揮聰明才智，於是出現了UTF-8編碼。因為針對的是空間浪費問題，因此這種 UTF-8編碼是可變長短的 ，從英文字母的一個位元組，到中文的通常的三個位元組，再到某些生僻字的六個位元組。解決了空間問題，UTF-8編碼還有一個神奇的附加功能，那就是相容了老大哥的ASCII編碼。一些老古董軟體現在在UTF-8編碼中可以繼續工作。

注意除了英文字母相同，漢字在Unicode編碼和UTF-8編碼中通常是不同的。比如​漢字的‘中'字在Unicode中是01001110 00101101，而在UTF-8編碼中是11100100 10111000 10101101。

我們祖國母親自然也有自己的一套標準。那就是GB2312和GBK。當然現在挺少看到。通常都是直接使用UTF-8。

2.Python3中的預設編碼

Python3中預設是UTF-8，我們通過以下程式碼：

可檢視Python3的預設編碼。​

3.Python3中的​encode和decode

Python3中字元編碼經常會使用到decode和encode函式。特別是在抓取網頁中，這兩個函式用的熟練非常有好處。encode的作用，使我們看到的直觀的字元轉換成計算機內的位元組形式。decode剛好相反，把位元組形式的字元轉換成我們看的懂的、直觀的、“人模人樣”的形式。

\x表示後面是十六進位制， \xe4\xb8\xad即是二進位制的 11100100 10111000 10101101。也就是說漢字‘中'encode成位元組形式，是 11100100 10111000 10101101。同理，我們拿 11100100 10111000 10101101也就是 \xe4\xb8\xad來decode回來，就是漢字‘中'。完整的應該是 b'\xe4\xb8\xad'，在Python3中， 以位元組形式表示的字串則必須加上 字首b，也就是寫成上文的b'xxxx'形式。 

前文說的Python3的預設編碼是UTF-8，所以我們可以看到，Python處理這些字元的時候是以UTF-8來處理的。因此從上圖可以看到，就算我們通過encode('utf-8')特意把字元encode為UTF-8編碼，出來的結果還是相同：b'\xe4\xb8\xad'。

明白了這一點，同時我們知道​UTF-8相容ASCII，我們可以猜想大學時經常背誦的‘A'對應ASCII中的65，在這裡是不是也能正確的decode出來呢。十進位制的65轉換成十六進位制是41，我們嘗試下：

b'\x41'.decode()

結果如下。果然是字元‘A'

4.Python3中的​編碼轉換

據說字元在計算機的記憶體中統一是以Unicode編碼的。只有在字元要被寫進檔案、存進硬碟或者從伺服器傳送至客戶端（例如網頁前端的程式碼）時會變成utf-8。但其實我比較關心怎麼把這些字元以Unicode的位元組形式表現出來，露出它在記憶體中的廬山正面目的。這裡有個照妖鏡：

xxxx.encode/decode('unicode-escape')

b'\\u4e2d'還是b'\u4e2d，一個斜槓貌似沒影響。同時可以 發現在shell視窗中，直接輸 '\u4e2d'和輸入b '\u4e2d'.decode('unicode-escape')是相同的，都會打印出漢字‘中'， 反而是 '\u4e2d'.decode('unicode-escape')會報錯。說明 說明Python3不僅支援Unicode，而且一個‘\uxxxx'格式的 Unicode字元 可被辨識且被等價於str型別。

如果我們知道一個Unicode位元組碼，怎麼變成UTF-8的位元組碼呢。懂了以上這些，現在我們就有思路了，先decode，再encode。程式碼如下：

​xxx.decode('unicode-escape').encode()

​最後的擴充套件

還記得剛剛那個ord嗎。時代變遷，老大哥ASCII被人合併，但ord還是有用武之地。試試ord('中')，輸出結果是20013。20013是什麼呢，我們再試試hex(ord('中'))，輸出結果是'0x4e2d'，也就是20013是我們在上文見面了無數次的x4e2d的十進位制值。這裡說下hex，是用來轉換成十六進位制的函式，學過微控制器的人對hex肯定不會陌生。

最後的擴充套件，在網上看到的他人的問題。我們寫下類似於'\u4e2d'的字元，Python3知道我們想表達什麼。但是讓Python讀取某個檔案的時候出現了'\u4e2d'，是不是計算機就不認識它了呢？後來下文有人給出了答案。如下：