四.python字符编码

Posted 2020-09-30

1.什么是字符编码

　　因为计算机也是通电的，我们初中的时候学过物理电路，计算机在设计的时候也是用电路设计的，类似于灯泡的开关，只有通电或者关闭，就是说0代表不通，1代表通。所以计算机只认识0和1。

　　比如计算机就是个外国人，那么我们怎么和它交流呢，按照惯例，得有个翻译。这个翻译就是把我们想和计算机说的话翻译成0和1告诉计算机。这个翻译的过程就是编码的过程。

2.字符编码分类

　　由于计算机是美国人发明的，那就意味着只有美国人可以和计算机交流。美国人翻译用的是(ASCII编码)，那么我们中国人要怎么和计算机交流呢，按照惯例，得找个中国人和计算机的翻译，如果每个国家都要和计算机交流呢，那就得找很多翻译，这个很多翻译就是字符编码的种类。

　　后来中国定制了GB2312编码，日本定制了Shift_JIS，韩国定制了Euc-kr，当各国都有各国的标准的时候，当很多国家用计算机进行交流的时候，就会出现冲突，就是我们常常说的乱码，后来为了统一全世界的文字，ISO（国际标准化组织）制定了一种新的编码规范，这种编码规范将全世界的文字放在一张表内，称它为"Universal Multiple-Octet Coded Character Set"，简称 UCS, 俗称"UNICODE"。

　　后来因为unicode常用2个字节代表一个字符，但是有的字符可能不需要2个字节的空间，在这里就造成了极大的浪费。这个时候就衍生出一种编码，根据不同的符号可变长变短，想对于unicode节省了大量的空间。

2.1. ASCII码

我们知道，在计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从0000000到11111111。

上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。

ASCII码一共规定了128个字符的编码，比如空格"SPACE"是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。

2.2 Unicode码

需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。比如，汉字"严"的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。

这里就有两个严重的问题，第一个问题是，如何才能区别Unicode和ASCII？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果Unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

2.3 UTF-8

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种Unicode的实现方式。其他实现方式还包括UTF-16（字符用两个字节或四个字节表示）和UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8的编码规则很简单，只有二条：

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

3.编码与解码

• 文件从内存刷到硬盘的操作简称存文件（编码过程）
• 文件从硬盘读到内存的操作简称读文件（解码过程）
• 用什么编码，就用什么解码，不然会出现乱码情况。