Python实现模拟锟斤拷等各类乱码详解
作者:小小明-代码实体
锟拷码和口字码
说到乱码问题就不得不提到锟斤拷,这算是非常常见的一种乱码形式,那么它到底是经过何种错误操作产生的呢?下面我们一步步探究。
看一个基本示例:
"��".encode("u8").decode("gbk")
'锟斤拷'
我们将�字符以UTF-8编码后,以GBK编码解码就可以得到 锟斤拷 的乱码。
那么为什么 锟斤拷 为什么如此常见呢?这是因为大部分编程语言在使用UNICODE系列的编码去解码时,会将不识别的字节编码为0xFFFD(65533)即�字符表示未知字符进行占位:
"\uFFFD"
'�'
注意:UNICODE系列包括UTF-8、UTF-16、UTF-32编码,一般UNICODE编码指UTF-16编码。在python中unicode_escape编码表示UNICODE编码的的转义形式:
"\uFFFD".encode("unicode_escape").decode()
'\\ufffd'
对于Python,默认情况下解码碰到未知字符时会直接抛出异常,但是如果设置errors参数为replace时,则会将未知字符解码为�占位。
将汉字用GBK编码:
"小小明".encode("gbk")
b'\xd0\xa1\xd0\xa1\xc3\xf7'
将上述编码结果用UTF-8编码解码,并设置为替换模式:
"小小明".encode("gbk").decode("u8", "replace")
'СС��'
0xd0a1被解码成С,但是0xc3和0xf7无法被UTF-8编码识别,只能用占位符�替换,于是就得到了上面的结果。
此时我们再编码并解码:
"小小明".encode("gbk").decode("u8", "replace") \ .encode("u8").decode("gbk", "replace")
'小小锟斤拷'
这是因为�被编码成了0xEFBFBD
"��".encode("u8")
b'\xef\xbf\xbd\xef\xbf\xbd'
而0xEFBFBDEFBFBD被GBK解码时,正好就是锟(0xEFBF),斤(0xBDEF),拷(0xBFBD)。
上述以�为主的乱码字符就是口字码,原因是以UTF-8编码读取了GBK编码的中文。
而锟拷体则是大部分都是锟斤拷的全中文字符,原因是用GBK编码读取了UTF-8编码的口字码中文。
古文码与问句码
问句码产生的核心原因在于GBK对于无法编码的字符会使用?填充:
"�😑".encode("gbk", "replace")
b'??'
古文码则与前面的口字码产生原因相反,使用GBK编码读取以UTF-8编码的中文:
"小小明".encode("u8").decode("gbk", "replace")
'灏忓皬鏄�'
此时的 灏忓皬鏄 就非常像古文,gbk解码对于不识别的字节也使用�占位。
此时gbk编码对于�编码失败,使用?替代:
'灏忓皬鏄�'.encode("gbk", "replace")
b'\xe5\xb0\x8f\xe5\xb0\x8f\xe6\x98?'
此时再用UTF-8解码就得到了问句码:
b'\xe5\xb0\x8f\xe5\xb0\x8f\xe6\x98?'.decode("u8", "ignore")
'小小?'
不过问句码只在原始字符串为奇数时产生,如果原始字符串长度为偶数,使用上述编码方式则可以原样还原字符串:
"小小明月".encode("u8").decode("gbk", "replace") \ .encode("gbk", "replace").decode("u8", "ignore")
'小小明月'
这样说明只要我们将原始汉字字符串填充到偶数,就可以使用古文码实现可逆的数据传输,而锟拷体则是一种不可逆的乱码。
符号码和拼音码
还有两种可逆的乱码,我们先看看符号码:
"小小明".encode("u8").decode("iso8859-1")
'å°\x8få°\x8fæ\x98\x8e'
像这种大部分字符为各种符号的乱码就称为符号码,符号码可以直接还原为原始的文本:
'å°\x8få°\x8fæ\x98\x8e'.encode("iso8859-1").decode("u8")
'小小明'
再看看拼音码:
"小小明".encode("gbk").decode("iso8859-1")
'ССÃ÷'
这种大部分字符都是带有声调的字母称为拼音码,同样可以直接还原:
'ССÃ÷'.encode("iso8859-1").decode("gbk")
'小小明'
总结
名称 | 示例 | 特点 | 原因 |
---|---|---|---|
口字码 | СС�� | 大部分字符是问号小方块 | UTF-8解码GBK编码的中文 |
锟拷体 | 锟斤拷小小锟斤拷学习锟斤拷 | 全中文字符,大部分都是"锟斤拷"这几个字符 | GBK解码UTF-8编码的口字码 |
古文码 | 灏忓皬鏄庢湀 | 大部分都是生僻字,像古文 | GBK解码UTF-8编码的中文汉字 |
问句码 | 小小? | 字符串长度为奇数时,结尾为问号 | GBK遇到不能编码的字符时填充 |
符号码 | 好好å\xad¦å¤©å¤©å\xad¦ | 大部分字符为各种符号 | ISO8859-1编码解码UTF-8编码的中文汉字 |
拼音码 | ºÃºÃѧϰÌìÌìÏòÉÏ | 大部分字符都是带有声调的字母 | ISO8859-1编码解码GBK编码的中文汉字 |
到此这篇关于Python实现模拟锟斤拷等各类乱码详解的文章就介绍到这了,更多相关Python模拟乱码内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!