Python实现模拟锟斤拷等各类乱码详解_开发_开发者

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javascript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")

'��'

0xd0a1被解码成，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php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。

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'编程客栈\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\编程客栈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。

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：

'\x8f\x8f\x98\x8e'.encode("iso8859-1").decode("u8")

'小小明'

再看看拼音码：

"小小明".encode("gbk").decode("iso8859-1")

'Ð¡Ð¡Ã÷'

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：

''.encode("iso8859-1").decode("gbk")

'小小明'