记一次 Python 编码的坑
博客专区 > rainyear 的博客 > 博客详情
记一次 Python 编码的坑
rainyear 发表于2年前
记一次 Python 编码的坑
  • 发表于 2年前
  • 阅读 101
  • 收藏 2
  • 点赞 2
  • 评论 0

新睿云服务器60天免费使用,快来体验!>>>   

摘要: 这次又遇到了 Python 编码导致的问题,与 **PyTips 0x07~0x09** 中解释过的 `Unicode - Bytes` 不同,这次遇到的是另外一种情况。应用场景如下:爬虫抓取网页数据,通过 `requests` 模块将数据 `POST` 到服务器,但是要去除数据中的空白符(包括`'\r\n'`等)。

这次又遇到了 Python 编码导致的问题,与 PyTips 0x07~0x09 中解释过的 Unicode - Bytes 不同,这次遇到的是另外一种情况。应用场景如下:爬虫抓取网页数据,通过 requests 模块将数据 POST 到服务器,但是要去除数据中的空白符(包括'\r\n'等)。

问题出在 requests 模块通过 JSON 格式传递数据:

import requests as req
import json
import re

title = '你好,\n世界'
req.post(API, data=json.dumps({'title': title}))

# API
data = self.requests.body.decode()
data = re.sub(r'\s', ' ', data)
save_data(json.loads(data))

虽然 HTTP 是通过二进制(也就是 Bytes)进行传输的,但通过 self.requests.body.decode() 仍然保持了 Unicode-Bytes-[HTTP]-Bytes-Unicode 的原则,因此实际上可以断定问题不是出自 Unicode 编码上,忽略掉中间传输过程,上面的代码可以简化为:

import json
import re
title = '你好,\n世界'
data = json.dumps({'title': title})
data = re.sub(r'\s', ' ', data)
print(json.loads(data))
{'title': '你好,\n世界'}

问题出现了,re.sub(r'\s', ' ', data) 并没有出去空白符,而实际上这样做看起来是没问题的:

print(re.sub(r'\s', ' ', "{'title': '你好,\n世界'}"))
{'title': '你好, 世界'}

之前提到了只要保持 Unicode-Bytes-Unicode三明治形式就不会受到编码问题的困扰(前提是 Python 3),经过和大家的讨论和探索之后发现问题出在 json.dumps

print(json.dumps({'title': title}))
{"title": "\u4f60\u597d\uff0c\n\u4e16\u754c"}

根据经验,在 Python 3 中如果出现 "\u4f60" 这样的原始 Unicode 编码就很可能意味着这并不是你想要的结果,我们只希望看到正常显示的 Unicode 或二进制形式的字符:

print("\u4f60")
print("\u4f60".encode())
你
b'\xe4\xbd\xa0'

经过 json.dumps() 之后会将原来字典类型中的值变为 ascii 编码,且不是 encode() 这种编码,而是 ascii() 式的编码:

help(ascii)
Help on built-in function ascii in module builtins:

ascii(obj, /)
    Return an ASCII-only representation of an object.
    
    As repr(), return a string containing a printable representation of an
    object, but escape the non-ASCII characters in the string returned by
    repr() using \\x, \\u or \\U escapes. This generates a string similar
    to that returned by repr() in Python 2.

其中的区别可以通过下面的例子说明:

def print_code_and_size(s):
    print(s, type(s), len(s))
yu = '雨'
print_code_and_size(yu)
print_code_and_size(yu.encode())
print_code_and_size(ascii(yu))
print_code_and_size(json.dumps(yu))
雨 <class 'str'> 1
b'\xe9\x9b\xa8' <class 'bytes'> 3
'\u96e8' <class 'str'> 8
"\u96e8" <class 'str'> 8

也就是说 json.dumps() 将原本的 Unicode 字符拆分成一个个单独的 ASCII 码,而不是正常的 encode(),不过该方法提供了一个参数 ensure_ascii = False 可以避免这种拆分:

print_code_and_size(json.dumps(yu, ensure_ascii=False))
"雨" <class 'str'> 3

虽然原理是更清楚了,不过可惜的是这样并没有解决我们当前的问题,因为换行符本身就是 ASCII 码,并不会受到 ensure_ascii 参数的影响:

r = '\n'
print_code_and_size(json.dumps(r, ensure_ascii=False))
print(list(json.dumps(r, ensure_ascii=False)))
"\n" <class 'str'> 4
['"', '\\', 'n', '"']

还是被拆分成了单独的字符,因此仍然无法对 json.dumps() 返回的字符串进行去空白符的操作。因此针对这一问题正确的做法应该是在 json.dumps() 之前先去除空格:

import json
import re
title = '你好,\n世界'
title = re.sub(r'\s', ' ', title)
data = json.dumps({'title': title})
print(json.loads(data))
{'title': '你好, 世界'}

总结

这个问题本不该浪费这么多时间,原因是与编码问题纠缠在一起,导致一开始的思路就是跑偏的。总结下来有两点:

  1. Unicode-Bytes-[[===]]-Bytes-Unicode 的模式可以解决绝大部分编码问题;
  2. json.dumpsascii 这种形式的编码对应的解码分别为json.loadseval,在它们两者之间不要对字符串进操作。

输入图片说明

  • 打赏
  • 点赞
  • 收藏
  • 分享
共有 人打赏支持
粉丝 3
博文 9
码字总数 10955
×
rainyear
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!
* 金额(元)
¥1 ¥5 ¥10 ¥20 其他金额
打赏人
留言
* 支付类型
微信扫码支付
打赏金额:
已支付成功
打赏金额: