7.8. codecs — 编解码器注册表和基类 — Python 文档

7.8. 编解码器 — 编解码器注册表和基类

该模块定义了标准 Python 编解码器（编码器和解码器）的基类，并提供对内部 Python 编解码器注册表的访问，该注册表管理编解码器和错误处理查找过程。

它定义了以下函数：

codecs.encode(obj[, encoding[, errors]])

使用为 encoding 注册的编解码器对 obj 进行编码。 默认编码为 'ascii'。

Errors 可用于设置所需的错误处理方案。 默认错误处理程序是 'strict'，这意味着编码错误会引发 ValueError（或更多编解码器特定的子类，例如 UnicodeEncodeError）。 有关编解码器错误处理的更多信息，请参阅 编解码器基类 。

2.4 版中的新功能。

codecs.decode(obj[, encoding[, errors]])

使用为 encoding 注册的编解码器解码 obj。 默认编码为 'ascii'。

Errors 可用于设置所需的错误处理方案。 默认错误处理程序是 'strict'，这意味着解码错误会引发 ValueError（或更多编解码器特定的子类，例如 UnicodeDecodeError）。 有关编解码器错误处理的更多信息，请参阅 编解码器基类 。

2.4 版中的新功能。

codecs.register(search_function)

注册编解码器搜索功能。 搜索函数应采用一个参数，即所有小写字母的编码名称，并返回具有以下属性的 CodecInfo 对象：

• name 编码名称；

• encode 无状态编码功能；

• decode 无状态解码功能；

• incrementalencoder 增量编码器类或工厂函数；

• incrementaldecoder 增量解码器类或工厂函数；

• streamwriter 流写入器类或工厂函数；

• streamreader 流读取器类或工厂函数。

各种函数或类采用以下参数：

encode 和 decode：这些必须是与 encode()/decode() 方法具有相同接口的函数或方法编解码器实例（参见 编解码器接口 ）。 函数/方法应在无状态模式下工作。

incrementalencoder 和 incrementaldecoder：这些必须是提供以下接口的工厂函数：

factory(errors='strict')

工厂函数必须返回分别提供由基类 IncrementalEncoder 和 IncrementalDecoder 定义的接口的对象。 增量编解码器可以保持状态。

streamreader 和 streamwriter：这些必须是提供以下接口的工厂函数：

factory(stream, errors='strict')

工厂函数必须返回分别提供由基类 StreamReader 和 StreamWriter 定义的接口的对象。 流编解码器可以维护状态。

错误的可能值是

• 'strict'：在编码错误的情况下引发异常

• 'replace'：用合适的替换标记替换畸形数据，例如 '?' 或 '\ufffd'

• 'ignore'：忽略格式错误的数据并继续，恕不另行通知

• 'xmlcharrefreplace'：替换为适当的 XML 字符引用（仅用于编码）

• 'backslashreplace'：替换为反斜杠转义序列（仅用于编码）

以及通过 register_error() 定义的任何其他错误处理名称。

如果搜索函数找不到给定的编码，它应该返回 None。

codecs.lookup(encoding)

在 Python 编解码器注册表中查找编解码器信息并返回上面定义的 CodecInfo 对象。

首先在注册表的缓存中查找编码。 如果未找到，则扫描已注册的搜索功能列表。 如果未找到 CodecInfo 对象，则会引发 LookupError。 否则，CodecInfo 对象存储在缓存中并返回给调用者。

为了简化对各种编解码器的访问，该模块提供了这些使用 lookup() 进行编解码器查找的附加函数：

codecs.getencoder(encoding)

查找给定编码的编解码器并返回其编码器函数。

如果找不到编码，则引发 LookupError。

codecs.getdecoder(encoding)

查找给定编码的编解码器并返回其解码器函数。

如果找不到编码，则引发 LookupError。

codecs.getincrementalencoder(encoding)

查找给定编码的编解码器并返回其增量编码器类或工厂函数。

如果找不到编码或编解码器不支持增量编码器，则引发 LookupError。

2.5 版中的新功能。

codecs.getincrementaldecoder(encoding)

查找给定编码的编解码器并返回其增量解码器类或工厂函数。

如果找不到编码或编解码器不支持增量解码器，则引发 LookupError。

2.5 版中的新功能。

codecs.getreader(encoding)

查找给定编码的编解码器并返回其 StreamReader 类或工厂函数。

如果找不到编码，则引发 LookupError。

codecs.getwriter(encoding)

查找给定编码的编解码器并返回其 StreamWriter 类或工厂函数。

如果找不到编码，则引发 LookupError。

codecs.register_error(name, error_handler)

在名称name下注册错误处理函数error_handler。 error_handler在编码和解码过程中出现错误会被调用，当name被指定为errors参数时。

对于编码 error_handler 将使用 UnicodeEncodeError 实例调用，其中包含有关错误位置的信息。 错误处理程序必须引发此异常或不同的异常，或者返回一个元组，替换输入的不可编码部分和一个应继续编码的位置。 编码器将对替换进行编码，并在指定位置继续对原始输入进行编码。 负位置值将被视为相对于输入字符串的末尾。 如果结果位置超出范围，将引发 IndexError。

解码和翻译工作类似，除了 UnicodeDecodeError 或 UnicodeTranslateError 将传递给处理程序，并且错误处理程序的替换将直接放入输出中。

codecs.lookup_error(name)

返回先前以名称 name 注册的错误处理程序。

如果找不到处理程序，则引发 LookupError。

codecs.strict_errors(exception)

实现 strict 错误处理：每个编码或解码错误引发一个 UnicodeError。

codecs.replace_errors(exception)

实现 replace 错误处理：格式错误的数据被替换为合适的替换字符，例如字节串中的 '?' 和 Unicode 字符串中的 '\ufffd'。

codecs.ignore_errors(exception)

实现 ignore 错误处理：忽略格式错误的数据并继续编码或解码，恕不另行通知。

codecs.xmlcharrefreplace_errors(exception)

实现 xmlcharrefreplace 错误处理（仅用于编码）：不可编码的字符被适当的 XML 字符引用替换。

codecs.backslashreplace_errors(exception)

实现 backslashreplace 错误处理（仅用于编码）：无法编码的字符被反斜杠转义序列替换。

为了简化对编码文件或流的处理，该模块还定义了这些实用程序函数：

codecs.open(filename, mode[, encoding[, errors[, buffering]]])

使用给定的 mode 打开编码文件并返回提供透明编码/解码的包装版本。 默认文件模式为 'r' 表示以读取模式打开文件。

笔记

包装版本将只接受编解码器定义的对象格式，即 大多数内置编解码器的 Unicode 对象。 输出也依赖于编解码器，通常也是 Unicode。

笔记

文件总是以二进制模式打开，即使没有指定二进制模式。 这样做是为了避免由于使用 8 位值编码而导致的数据丢失。 这意味着在读取和写入时不会自动转换 '\n'。

encoding 指定要用于文件的编码。

可以给出 errors 来定义错误处理。 它默认为 'strict'，这会在发生编码错误时引发 ValueError。

buffering 与内置的 open() 函数的含义相同。 它默认为行缓冲。

codecs.EncodedFile(file, input[, output[, errors]])

返回提供透明编码转换的文件的包装版本。

写入包装文件的字符串根据给定的 input 编码进行解释，然后使用 output 编码作为字符串写入原始文件。 中间编码通常是 Unicode，但取决于指定的编解码器。

如果未给出 output，则默认为 input。

可以给出 errors 来定义错误处理。 它默认为 'strict'，这会在发生编码错误时引发 ValueError。

codecs.iterencode(iterable, encoding[, errors])

使用增量编码器对 iterable 提供的输入进行迭代编码。 这个函数是一个生成器。 errors（以及任何其他关键字参数）被传递到增量编码器。

2.5 版中的新功能。

codecs.iterdecode(iterable, encoding[, errors])

使用增量解码器对 iterable 提供的输入进行迭代解码。 这个函数是一个生成器。 errors（以及任何其他关键字参数）被传递到增量解码器。

2.5 版中的新功能。

该模块还提供了以下常量，这些常量对于读取和写入平台相关文件很有用：

codecs.BOM

codecs.BOM_BE
codecs.BOM_LE
codecs.BOM_UTF8
codecs.BOM_UTF16
codecs.BOM_UTF16_BE
codecs.BOM_UTF16_LE
codecs.BOM_UTF32
codecs.BOM_UTF32_BE
codecs.BOM_UTF32_LE

这些常量定义了 UTF-16 和 UTF-32 数据流中使用的 Unicode 字节顺序标记 (BOM) 的各种编码，以指示流或文件中使用的字节顺序，并在 UTF-8 中作为 Unicode 签名。 BOM_UTF16 是 BOM_UTF16_BE 或 BOM_UTF16_LE 取决于平台的原生字节顺序，BOM 是 [X156UTFX] 的别名] , BOM_LE 用于 BOM_UTF16_LE 和 BOM_BE 用于 BOM_UTF16_BE。 其他代表 UTF-8 和 UTF-32 编码的 BOM。

7.8.1. 编解码器基类

codecs 模块定义了一组定义接口的基类，也可用于轻松编写您自己的编解码器以在 Python 中使用。

每个编解码器必须定义四个接口以使其可用作 Python 中的编解码器：无状态编码器、无状态解码器、流读取器和流写入器。 流读取器和写入器通常重用无状态编码器/解码器来实现文件协议。

Codec 类定义了无状态编码器/解码器的接口。

为了简化和标准化错误处理，encode() 和 decode() 方法可以通过提供 errors 字符串参数来实现不同的错误处理方案。 以下字符串值由所有标准 Python 编解码器定义和实现：

价值	意义
'strict'	提升 UnicodeError（或一个子类）； 这是默认设置。
'ignore'	忽略该字符并继续下一个。
'replace'	替换为合适的替换字符； Python 将使用官方的 U+FFFD REPLACEMENT CHARACTER 作为内置 Unicode 编解码器的解码和 '?' 关于编码。
'xmlcharrefreplace'	替换为适当的 XML 字符引用（仅用于编码）。
'backslashreplace'	替换为反斜杠转义序列（仅用于编码）。

允许值集可以通过 register_error() 进行扩展。

7.8.1.1. 编解码器对象

Codec 类定义了这些方法，这些方法也定义了无状态编码器和解码器的功能接口：

Codec.encode(input[, errors])

对对象 input 进行编码并返回一个元组（输出对象，消耗的长度）。 虽然编解码器不限于与 Unicode 一起使用，但在 Unicode 上下文中，编码使用特定字符集编码（例如，cp1252 或 iso-8859-1）将 Unicode 对象转换为纯字符串。

errors 定义了要应用的错误处理。 它默认为 'strict' 处理。

该方法可能不会在 Codec 实例中存储状态。 将 StreamWriter 用于必须保持状态以提高编码效率的编解码器。

在这种情况下，编码器必须能够处理零长度输入并返回输出对象类型的空对象。

Codec.decode(input[, errors])

解码对象 input 并返回一个元组（输出对象，消耗的长度）。 在 Unicode 上下文中，解码将使用特定字符集编码的纯字符串转换为 Unicode 对象。

input 必须是一个提供 bf_getreadbuf 缓冲槽的对象。 Python 字符串、缓冲区对象和内存映射文件是提供此插槽的对象示例。

errors 定义了要应用的错误处理。 它默认为 'strict' 处理。

该方法可能不会在 Codec 实例中存储状态。 将 StreamReader 用于必须保持状态以提高解码效率的编解码器。

在这种情况下，解码器必须能够处理零长度输入并返回输出对象类型的空对象。

IncrementalEncoder 和 IncrementalDecoder 类提供了增量编码和解码的基本接口。 输入的编码/解码不是通过一次调用无状态编码器/解码器函数完成的，而是多次调用增量编码器的 encode()/decode() 方法/解码器。 增量编码器/解码器在方法调用期间跟踪编码/解码过程。

对 encode()/decode() 方法的调用的合并输出与所有单个输入合并为一个相同，并且此输入使用无状态编码器/解码器。

7.8.1.2. 增量编码器对象

2.5 版中的新功能。

IncrementalEncoder 类用于在多个步骤中对输入进行编码。 它定义了每个增量编码器必须定义的以下方法，以便与 Python 编解码器注册表兼容。

class codecs.IncrementalEncoder([errors])

IncrementalEncoder 实例的构造函数。

所有增量编码器都必须提供此构造函数接口。 它们可以自由添加额外的关键字参数，但 Python 编解码器注册表仅使用此处定义的参数。

IncrementalEncoder 可以通过提供 errors 关键字参数来实现不同的错误处理方案。 这些参数是预定义的：

• 'strict' 提升 ValueError（或一个子类）； 这是默认设置。

• 'ignore' 忽略该字符并继续下一个。

• 'replace' 替换为合适的替换字符

• 'xmlcharrefreplace' 替换为适当的 XML 字符引用

• 'backslashreplace' 替换为反斜杠转义序列。

errors 参数将分配给同名的属性。 分配给此属性可以在 IncrementalEncoder 对象的生命周期内在不同的错误处理策略之间切换。

errors 参数的允许值集可以使用 register_error() 进行扩展。

encode(object[, final])

编码 object（考虑编码器的当前状态）并返回生成的编码对象。 如果这是最后一次调用 encode() final 必须为真（默认为假）。

reset()

将编码器重置为初始状态。

7.8.1.3. 增量解码器对象

IncrementalDecoder 类用于在多个步骤中解码输入。 它定义了每个增量解码器必须定义的以下方法，以便与 Python 编解码器注册表兼容。

class codecs.IncrementalDecoder([errors])

IncrementalDecoder 实例的构造函数。

所有增量解码器都必须提供此构造函数接口。 它们可以自由添加额外的关键字参数，但 Python 编解码器注册表仅使用此处定义的参数。

IncrementalDecoder 可以通过提供 errors 关键字参数来实现不同的错误处理方案。 这些参数是预定义的：

• 'strict' 提升 ValueError（或一个子类）； 这是默认设置。

• 'ignore' 忽略该字符并继续下一个。

• 'replace' 替换为合适的替换字符。

errors 参数将分配给同名的属性。 分配给这个属性可以在 IncrementalDecoder 对象的生命周期内在不同的错误处理策略之间切换。

errors 参数的允许值集可以使用 register_error() 进行扩展。

decode(object[, final])

解码 object（考虑解码器的当前状态）并返回结果解码对象。 如果这是最后一次调用 decode() final 必须为真（默认为假）。 如果 final 为真，则解码器必须完全解码输入并且必须刷新所有缓冲区。 如果这是不可能的（例如 由于输入末尾的字节序列不完整），它必须像在无状态情况下一样启动错误处理（这可能会引发异常）。

reset()

将解码器重置为初始状态。

StreamWriter 和 StreamReader 类提供了通用的工作接口，可以很容易地实现新的编码子模块。 有关如何完成的示例，请参阅 encodings.utf_8。

7.8.1.4. StreamWriter 对象

StreamWriter 类是 Codec 的子类，它定义了每个流编写器必须定义的以下方法，以便与 Python 编解码器注册表兼容。

class codecs.StreamWriter(stream[, errors])

StreamWriter 实例的构造函数。

所有流编写器都必须提供此构造函数接口。 它们可以自由添加额外的关键字参数，但 Python 编解码器注册表仅使用此处定义的参数。

stream 必须是一个为写入二进制数据而打开的类文件对象。

StreamWriter 可以通过提供 errors 关键字参数来实现不同的错误处理方案。 这些参数是预定义的：

• 'strict' 提升 ValueError（或一个子类）； 这是默认设置。

• 'ignore' 忽略该字符并继续下一个。

• 'replace' 替换为合适的替换字符

• 'xmlcharrefreplace' 替换为适当的 XML 字符引用

• 'backslashreplace' 替换为反斜杠转义序列。

errors 参数将分配给同名的属性。 分配给此属性可以在 StreamWriter 对象的生命周期内在不同的错误处理策略之间切换。

errors 参数的允许值集可以使用 register_error() 进行扩展。

write(object)

将编码的对象内容写入流。

writelines(list)

将串联的字符串列表写入流（可能通过重用 write() 方法）。

reset()

刷新并重置用于保持状态的编解码器缓冲区。

调用此方法应确保输出上的数据处于干净状态，允许追加新的新数据，而无需重新扫描整个流以恢复状态。

除了上述方法之外，StreamWriter 还必须从底层流继承所有其他方法和属性。

7.8.1.5. StreamReader 对象

StreamReader 类是 Codec 的子类，它定义了每个流读取器必须定义的以下方法，以便与 Python 编解码器注册表兼容。

class codecs.StreamReader(stream[, errors])

StreamReader 实例的构造函数。

所有流读取器都必须提供此构造函数接口。 它们可以自由添加额外的关键字参数，但 Python 编解码器注册表仅使用此处定义的参数。

stream 必须是一个为读取（二进制）数据而打开的类文件对象。

StreamReader 可以通过提供 errors 关键字参数来实现不同的错误处理方案。 这些参数定义为：

• 'strict' 提升 ValueError（或一个子类）； 这是默认设置。

• 'ignore' 忽略该字符并继续下一个。

• 'replace' 替换为合适的替换字符。

errors 参数将分配给同名的属性。 分配给此属性可以在 StreamReader 对象的生命周期内在不同的错误处理策略之间切换。

errors 参数的允许值集可以使用 register_error() 进行扩展。

read([size[, chars[, firstline]]])

从流中解码数据并返回结果对象。

chars 表示要从流中读取的字符数。 read() 永远不会返回超过 chars 个字符，但如果没有足够的可用字符，它可能返回更少。

size 表示为了解码目的从流中读取的近似最大字节数。 解码器可以适当地修改此设置。 默认值 -1 表示尽可能多地读取和解码。 size 旨在防止必须一步解码大文件。

firstline 表示如果后面的行有解码错误，只返回第一行就足够了。

该方法应该使用贪婪读取策略，这意味着它应该读取编码定义和给定大小允许的尽可能多的数据，例如 如果流上有可选的编码结尾或状态标记，则也应阅读这些内容。

在 2.4 版更改：添加了 chars 参数。

在 2.4.2 版更改：添加了 firstline 参数。

readline([size[, keepends]])

从输入流中读取一行并返回解码后的数据。

size，如果给定，作为 size 参数传递给流的 read() 方法。

如果 keepends 为假，则行尾将从返回的行中删除。

在 2.4 版更改：添加了 keepends 参数。

readlines([sizehint[, keepends]])

读取输入流中所有可用的行并将它们作为行列表返回。

行结束符使用编解码器的解码器方法实现，如果 keepends 为真，则将其包含在列表条目中。

sizehint，如果给定，作为 size 参数传递给流的 read() 方法。

reset()

重置用于保持状态的编解码器缓冲区。

请注意，不应发生流重新定位。 这种方法主要是为了能够从解码错误中恢复。

除了上述方法之外，StreamReader 还必须从底层流继承所有其他方法和属性。

为方便起见，包含了接下来的两个基类。 编解码器注册表不需要它们，但在实践中可能有用。

7.8.1.6. StreamReaderWriter 对象

StreamReaderWriter 允许包装在读写模式下工作的流。

设计是这样的，人们可以使用 lookup() 函数返回的工厂函数来构造实例。

class codecs.StreamReaderWriter(stream, Reader, Writer, errors)

创建一个 StreamReaderWriter 实例。 stream 必须是类文件对象。 Reader 和 Writer 必须是提供 StreamReader 和 StreamWriter 接口的工厂函数或类。 错误处理的完成方式与为流读取器和写入器定义的方式相同。

StreamReaderWriter 实例定义了 StreamReader 和 StreamWriter 类的组合接口。 它们从底层流继承所有其他方法和属性。

7.8.1.7. StreamRecoder 对象

StreamRecoder 提供了编码数据的前端 - 后端视图，这在处理不同的编码环境时有时很有用。

设计是这样的，人们可以使用 lookup() 函数返回的工厂函数来构造实例。

class codecs.StreamRecoder(stream, encode, decode, Reader, Writer, errors)

创建一个 StreamRecoder 实例，它实现了双向转换：encode 和 decode 在前端工作（read() 的输入和write()) 而 Reader 和 Writer 在后端工作（读取和写入流）。

您可以使用这些对象进行透明的直接重新编码，例如 Latin-1 到 UTF-8 并返回。

stream 必须是类文件对象。

encode、decode必须坚持Codec接口。 Reader, Writer 必须是分别提供 StreamReader 和 StreamWriter 接口对象的工厂函数或类。

前端翻译需要 encode 和 decode，后端翻译需要 Reader 和 Writer。 使用的中间格式由两组编解码器决定，例如 Unicode 编解码器将使用 Unicode 作为中间编码。

错误处理的完成方式与为流读取器和写入器定义的方式相同。

StreamRecoder 实例定义了 StreamReader 和 StreamWriter 类的组合接口。 它们从底层流继承所有其他方法和属性。

7.8.2. 编码和 Unicode

Unicode 字符串在内部存储为代码点序列（准确地说是 Py_UNICODE 数组）。 取决于 Python 的编译方式（通过 --enable-unicode=ucs2 或 --enable-unicode=ucs4，前者是默认值）Py_UNICODE 是 16 位或 32 位数据类型. 一旦在 CPU 和内存之外使用 Unicode 对象，CPU 字节顺序以及这些数组如何存储为字节就成为一个问题。 将 unicode 对象转换为字节序列称为编码，从字节序列重新创建 unicode 对象称为解码。 有许多不同的方法可以完成这种转换（这些方法也称为编码）。 最简单的方法是将代码点 0-255 映射到字节 0x0-0xff。 这意味着包含 U+00FF 以上代码点的 unicode 对象无法使用此方法（称为 'latin-1' 或 'iso-8859-1'）进行编码。 unicode.encode() 将引发一个 UnicodeEncodeError，看起来像这样：UnicodeEncodeError: 'latin-1' codec can't encode character u'\u1234' in position 3: ordinal not in range(256)。

还有另一组编码（所谓的 charmap 编码）选择所有 unicode 代码点的不同子集，以及这些代码点如何映射到字节 0x0–0xff。 要查看这是如何完成的，只需打开例如 encodings/cp1252.py（这是一种主要用于 Windows 的编码）。 有一个包含 256 个字符的字符串常量，用于显示哪个字符映射到哪个字节值。

所有这些编码只能编码 unicode 中定义的 1114112 个代码点中的 256 个。 可以存储每个 Unicode 代码点的一种简单直接的方法是将每个代码点存储为四个连续字节。 有两种可能性：以大端或小端顺序存储字节。 这两种编码分别称为 UTF-32-BE 和 UTF-32-LE。 他们的缺点是，如果例如 您在小端机器上使用 UTF-32-BE 时，您将始终必须在编码和解码时交换字节。 UTF-32 避免了这个问题：字节将始终处于自然字节序。 当这些字节由具有不同字节序的 CPU 读取时，尽管必须交换字节。 为了能够检测 UTF-16 或 UTF-32 字节序列的字节序，有所谓的 BOM（“字节顺序标记”）。 这是 Unicode 字符 U+FEFF。 该字符可以添加到每个 UTF-16 或 UTF-32 字节序列之前。 此字符的字节交换版本 (0xFFFE) 是一个非法字符，可能不会出现在 Unicode 文本中。 因此，当 UTF-16 或 UTF-32 字节序列中的第一个字符看起来是 U+FFFE 时，必须在解码时交换字节。 不幸的是，字符 U+FEFF 的第二个目的是作为 ZERO WIDTH NO-BREAK SPACE：一个没有宽度且不允许拆分单词的字符。 它可以例如 用于为连字算法提供提示。 Unicode 4.0 使用 U+FEFF 作为 ZERO WIDTH NO-BREAK SPACE 已被弃用（U+2060 (WORD JOINER) 承担此角色）。 尽管如此，Unicode 软件仍然必须能够在两种角色中处理 U+FEFF：作为 BOM，它是确定编码字节存储布局的设备，一旦字节序列被解码为 Unicode 字符串，它就会消失； 作为 ZERO WIDTH NO-BREAK SPACE 它是一个普通字符，可以像其他任何字符一样被解码。

还有另一种编码能够对所有 Unicode 字符进行编码：UTF-8。 UTF-8 是一种 8 位编码，这意味着 UTF-8 中的字节顺序没有问题。 UTF-8 字节序列中的每个字节由两部分组成：标记位（最高有效位）和有效载荷位。 标记位是零到四个 1 位后跟一个 0 位的序列。 Unicode 字符是这样编码的（x 是有效载荷位，连接时给出 Unicode 字符）：

范围	编码
U-00000000 … U-0000007F	0xxxxxxx
U-00000080 … U-000007FF	110xxxxxx 10xxxxxx
U-00000800 … U-0000FFFF	1110xxxx 10xxxxxx 10xxxxxx
U-00010000 … U-0010FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

Unicode 字符的最低有效位是最右边的 x 位。

由于 UTF-8 是 8 位编码，因此不需要 BOM，并且解码后的 Unicode 字符串中的任何 U+FEFF 字符（即使它是第一个字符）都被视为 ZERO WIDTH NO-BREAK SPACE。

如果没有外部信息，就不可能可靠地确定使用哪种编码对 Unicode 字符串进行编码。 每个charmap 编码可以解码任何随机字节序列。 然而，这对于 UTF-8 来说是不可能的，因为 UTF-8 字节序列的结构不允许任意字节序列。 为了提高检测 UTF-8 编码的可靠性，Microsoft 为其记事本程序发明了 UTF-8 的变体（Python 2.5 称为 "utf-8-sig"）：在将任何 Unicode 字符写入到文件中写入了 UTF-8 编码的 BOM（看起来像这样的字节序列：0xef、0xbb、0xbf）。 因为任何 charmap 编码的文件都不太可能以这些字节值开头（例如 映射到

带分音符的拉丁文小写字母 I

右指向双角引号

倒置的问号

在 iso-8859-1 中），这增加了可以从字节序列中正确猜测 utf-8-sig 编码的可能性。 所以这里的 BOM 不是用来确定用于生成字节序列的字节顺序，而是用作帮助猜测编码的签名。 在编码 utf-8-sig 编解码器时，会将 0xef、0xbb、0xbf 作为前三个字节写入文件。 在解码时 utf-8-sig 将跳过这三个字节，如果它们出现在文件中的前三个字节。 在 UTF-8 中，不鼓励使用 BOM，通常应避免使用。

7.8.3. 标准编码

Python 附带了许多内置的编解码器，它们要么实现为 C 函数，要么使用字典作为映射表。 下表按名称列出了编解码器，以及一些常见的别名，以及可能使用该编码的语言。 别名列表和语言列表都不是详尽无遗的。 请注意，仅大小写不同或使用连字符而不是下划线的拼写替代方案也是有效的别名； 因此，例如 'utf-8' 是 'utf_8' 编解码器的有效别名。

许多字符集支持相同的语言。 它们在个别字符上有所不同（例如 是否支持 EURO SIGN），以及将字符分配给代码位置。 特别是对于欧洲语言，通常存在以下变体：

• ISO 8859 代码集
• Microsoft Windows 代码页，通常源自 8859 代码集，但将控制字符替换为其他图形字符
• 一个 IBM EBCDIC 代码页
• 一个 IBM PC 代码页，与 ASCII 兼容

编解码器	别名	语言
ASCII码	646, us-ascii	英语
大5	big5-tw, csbig5	繁体中文
big5hkscs	big5-hkscs, hkscs	繁体中文
cp037	IBM037、IBM039	英语
cp424	EBCDIC-CP-HE、IBM424	希伯来语
cp437	437, IBM437	英语
cp500	EBCDIC-CP-BE、EBCDIC-CP-CH、IBM500	西欧
cp720		阿拉伯
cp737		希腊语
cp775	IBM775	波罗的海语言
cp850	850、IBM850	西欧
cp852	852、IBM852	中欧和东欧
cp855	855、IBM855	保加利亚语、白俄罗斯语、马其顿语、俄语、塞尔维亚语
cp856		希伯来语
cp857	857、IBM857	土耳其
cp858	858、IBM858	西欧
cp860	860、IBM860	葡萄牙语
cp861	861、CP-IS、IBM861	冰岛的
cp862	862、IBM862	希伯来语
cp863	863、IBM863	加拿大人
cp864	IBM864	阿拉伯
cp865	865、IBM865	丹麦语、挪威语
cp866	866、IBM866	俄语
cp869	869、CP-GR、IBM869	希腊语
cp874		泰国
cp875		希腊语
cp932	932, ms932, mskanji, ms-kanji	日本人
cp949	949, ms949, uhc	韩国人
cp950	950, ms950	繁体中文
cp1006		乌尔都语
cp1026	ibm1026	土耳其
cp1140	ibm1140	西欧
cp1250	视窗-1250	中欧和东欧
cp1251	视窗-1251	保加利亚语、白俄罗斯语、马其顿语、俄语、塞尔维亚语
cp1252	视窗-1252	西欧
cp1253	视窗-1253	希腊语
cp1254	视窗-1254	土耳其
cp1255	视窗-1255	希伯来语
cp1256	视窗-1256	阿拉伯
cp1257	视窗-1257	波罗的海语言
cp1258	视窗-1258	越南语
euc_jp	eucjp, ujis, ujis	日本人
euc_jis_2004	jisx0213, eucjis2004	日本人
euc_jisx0213	eujisx0213	日本人
euc_kr	euckr, 韩语, ksc5601, ks_c-5601, ks_c-5601-1987, ksx1001, ks_x-1001	韩国人
gb2312	中文、csiso58gb231280、euc-cn、euccn、eucgb2312-cn、gb2312-1980、gb2312-80、iso-ir-58	简体中文
国标	936、cp936、ms936	统一中文
国标18030	GB18030-2000	统一中文
赫兹	hzgb, hz-gb, hz-gb-2312	简体中文
iso2022_jp	csiso2022jp、iso2022jp、iso-2022-jp	日本人
iso2022_jp_1	iso2022jp-1、iso-2022-jp-1	日本人
iso2022_jp_2	iso2022jp-2、iso-2022-jp-2	日语、韩语、简体中文、西欧、希腊语
iso2022_jp_2004	iso2022jp-2004、iso-2022-jp-2004	日本人
iso2022_jp_3	iso2022jp-3、iso-2022-jp-3	日本人
iso2022_jp_ext	iso2022jp-ext, iso-2022-jp-ext	日本人
iso2022_kr	csiso2022kr、iso2022kr、iso-2022-kr	韩国人
拉丁_1	iso-8859-1、iso8859-1、8859、cp819、拉丁语、latin1、L1	西欧
iso8859_2	iso-8859-2, latin2, L2	中欧和东欧
iso8859_3	iso-8859-3、latin3、L3	世界语、马耳他语
iso8859_4	iso-8859-4、latin4、L4	波罗的海语言
iso8859_5	iso-8859-5，西里尔字母	保加利亚语、白俄罗斯语、马其顿语、俄语、塞尔维亚语
iso8859_6	iso-8859-6，阿拉伯语	阿拉伯
iso8859_7	iso-8859-7, 希腊语, greek8	希腊语
iso8859_8	iso-8859-8，希伯来语	希伯来语
iso8859_9	iso-8859-9, latin5, L5	土耳其
iso8859_10	iso-8859-10、latin6、L6	北欧语言
iso8859_11	iso-8859-11，泰国	泰语
iso8859_13	iso-8859-13、latin7、L7	波罗的海语言
iso8859_14	iso-8859-14、latin8、L8	凯尔特语
iso8859_15	iso-8859-15、latin9、L9	西欧
iso8859_16	iso-8859-16、latin10、L10	东南欧
约哈布	cp1361, ms1361	韩国人
锦鲤8_r		俄语
锦鲤8_u		乌克兰
mac_西里尔文	马西里尔	保加利亚语、白俄罗斯语、马其顿语、俄语、塞尔维亚语
mac_greek	麦克格里克	希腊语
mac_iceland	马西兰	冰岛的
mac_latin2	maclatin2, maccentraleurope	中欧和东欧
mac_roman	大人物	西欧
mac_turkish	土生土长的	土耳其
ptcp154	csptcp154, pt154, cp154, 西里尔文-亚洲	哈萨克语
shift_jis	csshiftjis, shiftjis, sjis, s_jis	日本人
shift_jis_2004	shiftjis2004, sjis_2004, sjis2004	日本人
shift_jisx0213	shiftjisx0213, sjisx0213, s_jisx0213	日本人
utf_32	U32，utf32	所有语言
utf_32_be	UTF-32BE	所有语言
utf_32_le	UTF-32LE	所有语言
utf_16	U16，utf16	所有语言
utf_16_be	UTF-16BE	所有语言（仅限 BMP）
utf_16_le	UTF-16LE	所有语言（仅限 BMP）
utf_7	U7，unicode-1-1-utf-7	所有语言
utf_8	U8、UTF、utf8	所有语言
utf_8_sig		所有语言

7.8.4. Python 特定编码

许多预定义的编解码器特定于 Python，因此它们的编解码器名称在 Python 之外没有任何意义。 这些根据预期的输入和输出类型列在下表中（请注意，虽然文本编码是编解码器最常见的用例，但底层编解码器基础结构支持任意数据转换，而不仅仅是文本编码）。 对于非对称编解码器，所述目的描述了编码方向。

以下编解码器提供 unicode-to-str 编码 1 和 str-to-unicode 解码 2，类似于 Unicode 文本编码。

编解码器	别名	目的
伊德娜		实现 RFC 3490，另见 encodings.idna
主播	数据库	仅限 Windows：根据 ANSI 代码页 (CP_ACP) 对操作数进行编码
帕尔莫斯		PalmOS 3.5 编码
小码		实现 RFC 3492
raw_unicode_escape		在 Python 源代码中生成一个适合作为原始 Unicode 文字的字符串
腐烂_13	腐烂13	返回操作数的凯撒密码加密
不明确的		为所有转换引发异常。 如果不需要字节和 Unicode 字符串之间的自动 强制 ，则可以用作系统编码。
unicode_escape		在 Python 源代码中生成一个适合作为 Unicode 文字的字符串
unicode_internal		返回操作数的内部表示

2.3 版新功能：idna 和 punycode 编码。

以下编解码器提供 str-to-str 编码和解码 2。

编解码器	别名	目的	编码器/解码器
base64_codec	base64，base-64	将操作数转换为多行 MIME base64（结果总是包含一个尾随 '\n'）	base64.encodestring(), base64.decodestring()
bz2_codec	bz2	使用 bz2 压缩操作数	bz2.compress(), bz2.decompress()
十六进制编解码器	十六进制	将操作数转换为十六进制表示，每字节两位数	binascii.b2a_hex(), binascii.a2b_hex()
quopri_codec	quopri，引用打印，引用打印	将操作数转换为 MIME 引用的可打印	quopri.encode() 与 quotetabs=True, quopri.decode()
字符串转义		在 Python 源代码中生成一个适合作为字符串文字的字符串
uu_codec	uu	使用 uuencode 转换操作数	uu.encode(), uu.decode()
zlib_codec	压缩包，zlib	使用 gzip 压缩操作数	zlib.compress(), zlib.decompress()

1

str 对象也可以代替 unicode 对象作为输入。 通过使用默认编码对它们进行解码，它们被隐式转换为 unicode。 如果此转换失败，则可能导致编码操作升高 UnicodeDecodeError。

2(1,2)

unicode 对象也可以代替 str 对象作为输入。 通过使用默认编码对它们进行编码，它们被隐式转换为 str 。 如果此转换失败，则可能导致解码操作升高 UnicodeEncodeError。

7.8.5. 编码.idna — 应用程序中的国际化域名

2.3 版中的新功能。

该模块实现 RFC 3490（应用程序中的国际化域名）和 RFC 3492（Nameprep：国际化域名的 Stringprep 配置文件（ IDN))。 它建立在 punycode 编码和 stringprep 之上。

这些 RFC 共同定义了一个协议来支持域名中的非 ASCII 字符。 包含非 ASCII 字符的域名（如 www.Alliancefrançaise.nu）被转换为兼容 ASCII 的编码（ACE，如 www.xn--alliancefranaise-npb.nu）。 然后在协议不允许使用任意字符的所有地方使用域名的 ACE 形式，例如 DNS 查询、HTTP Host 字段等。 这种转换是在应用程序中进行的； 如果可能对用户不可见：应用程序应该在线路上透明地将 Unicode 域标签转换为 IDNA，并在将它们呈现给用户之前将 ACE 标签转换回 Unicode。

Python 以多种方式支持这种转换：idna 编解码器在 Unicode 和 ACE 之间执行转换，根据 的 部分 3.1 (1) 中定义的分隔符将输入字符串分成标签]RFC 3490 并根据需要将每个标签转换为 ACE，相反，根据 . 分隔符将输入字节字符串分离为标签，并将找到的任何 ACE 标签转换为 unicode。 此外，socket 模块透明地将 Unicode 主机名转换为 ACE，因此应用程序在将主机名传递给套接字模块时无需担心转换主机名本身。 最重要的是，具有主机名作为函数参数的模块，例如 httplib 和 ftplib，接受 Unicode 主机名（httplib 然后也透明地发送 IDNA Host 字段中的主机名（如果它根本发送该字段）。

当从线路接收主机名时（例如在反向名称查找中），不会执行到 Unicode 的自动转换：希望向用户显示此类主机名的应用程序应将它们解码为 Unicode。

encodings.idna模块也实现了nameprep过程，对主机名进行一定的规范化，实现国际域名不区分大小写，统一相似字符。 如果需要，可以直接使用 nameprep 函数。

encodings.idna.nameprep(label)

返回 label 的名称准备版本。 该实现当前假定查询字符串，因此 AllowUnassigned 为真。

encodings.idna.ToASCII(label)

按照 RFC 3490 中的规定，将标签转换为 ASCII。 UseSTD3ASCIIRules 被假定为假。

encodings.idna.ToUnicode(label)

按照 RFC 3490 中的规定，将标签转换为 Unicode。

7.8.6. encodings.utf_8_sig — 带有 BOM 签名的 UTF-8 编解码器

2.5 版中的新功能。

该模块实现了 UTF-8 编解码器的一个变体：在编码 UTF-8 编码的 BOM 时，将附加到 UTF-8 编码的字节。 对于有状态编码器，这仅执行一次（在第一次写入字节流时）。 对于解码，将跳过数据开头的可选 UTF-8 编码 BOM。