Python 2.x中错误编码的Unicode字符串转UTF-8问题求助

这个问题我太熟悉了——Python 2.x的字符串编解码简直是无数开发者的噩梦，尤其是遇到这种乱码转圈圈的情况😅

先拆解一下你的问题根源：你手里的u"č"其实是UTF-8编码的č被错误地用Latin-1（ISO-8859-1）解码成Unicode的结果。具体来说：

• 正确字符č的UTF-8字节序列是\xc4\x8d
• 当这两个字节被当作Latin-1（单字节编码，每个字节直接对应一个Unicode码点）解码时，会得到Unicode字符U+00C4（显示为Ä）和U+008D（一个不可见的控制字符，显示为奇怪符号），也就是你看到的乱码结果。

一步一步修复的代码示例 #

# 你原始的错误Unicode字符串
a = u"č"

# 1. 将错误的Unicode转回原始UTF-8字节（用Latin-1编码，因为它是单字节一一映射）
utf8_bytes = a.encode('latin-1')
# 此时utf8_bytes的值是 '\xc4\x8d'，也就是č的正确UTF-8字节

# 2. 用UTF-8解码字节串，得到正确的Unicode字符
correct_unicode = utf8_bytes.decode('utf-8')

# 现在打印就能得到正确的č了
print(correct_unicode)

为什么这个方法有效？ #

Latin-1编码的核心规则是：0-255范围内的每个Unicode码点，都直接对应一个字节。你得到的错误Unicode字符串里的每个字符，恰好就是原始UTF-8字节的每个字节对应的Latin-1码点。所以用encode('latin-1')可以完美还原出最初的UTF-8字节，再用UTF-8解码就得到了正确的č。

最后再提个小建议：在Python 2里一定要严格区分字节串（str类型）和Unicode字符串（unicode类型）——永远遵循「解码字节为Unicode，编码Unicode为字节」的原则：处理文本时先把输入的字节串decode成Unicode，输出时再把Unicode encode成目标编码（比如UTF-8），能避免绝大多数编解码坑。

内容的提问来源于stack exchange，提问作者leopik