重复对字符串进行相同编码会有害吗？（在Python中）

Question

在Python中，把一个字符串多次用同样的编码格式（比如UTF-8）进行编码，会不会有什么坏处呢？

我有一个函数，它会调用另一个函数从文档中获取一个字符串，然后对这个字符串进行序列化。目前，第二个函数（也就是从文档中获取字符串的那个）只有第一个函数在使用。

将来可能会有变化，可能会有人决定在其他序列化（或者类似的）函数中使用它，而不先把结果编码成UTF-8。我在想，始终返回一个UTF-8编码的字符串是否安全（目前这个字符串还会被序列化函数再进行一次.encode()）。我的测试显示这似乎没问题，但我想问一下。

谢谢！

Answer 1

一般来说，你应该只在 unicode 对象上使用 encode，而只在 string 对象上使用 decode。

encode 是把一个 Unicode 对象转换成指定的编码格式（以字符串的形式存储）。而 decode 则是把一个指定的编码格式转换回 Unicode 对象。

在 2.x 版本中出现的 string.encode 和 unicode.decode 应该被看作是历史遗留的产物。

Answer 2

除非这个字符串完全是ASCII字符，否则是的，它可能会造成问题（如果是纯ASCII字符，你就不需要担心UTF-8了）：

>>> a
u'a \xd7 b'
>>> a.encode("utf-8")
'a \xc3\x97 b'
>>> a.encode("utf-8").encode("utf-8")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 2: ordinal not in range(128)

把字节序列和文本当作两种不同的东西来处理是个好习惯。在Python 3中，它们确实是不同的东西：字节对象有一个decode()方法，而字符串（Unicode）对象有一个encode()方法。

Answer 3

你不能多次进行编码，这样是行不通的。

>>> s = u"ä".encode('latin1')
>>> s = s.encode('latin1')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)

你会看到“ascii 编码无法解码”的错误。字符串的编码方法首先是把字符串解码成 Unicode，然后再用指定的编码进行编码。它会用系统的编码来解码，默认情况下是 ascii。

顺便提一下，这种行为在 Python 3 中已经消失了，在 Python 3 中，字节（bytes）没有编码方法，而字符串（strings）也没有解码方法。

所以你根本不能多次编码，当然这是因为对一个已经编码的字符串再进行编码是没有意义的。编码就是把 Unicode 转换成二进制表示，而你不能再对二进制表示进行进一步的编码。