Python中的Unicode编码和UTF-8编码

Posted 2020-10-02

下午看廖雪峰的Python2.7教程，看到 字符串和编码 一节，有一点感受，结合 崔庆才的Python博客 ，把这种感受记录下来：

 

ASCII码：是用一个字节（8bit， 0-255）中的127个字母表示大小写字母，数字和一些符号.主要用来表示现代英语和西欧语言。

所以处理中文就出现问题了，因为中文处理至少需要两个字节,所以中国制定了GB2312。

所以，各国制定了各国的标准。日本制定了Shift_JIS，韩国制定了Euc-kr。。。那么，乱码就来了。

 

为了统一，Unicode诞生了。统一码把所有语言都统一到一套编码里。解决了乱码问题，但是存储和传输效率低下的问题又来了。

因为ASCII编码是1个字节，而Unicode编码通常是2个字节。你表示一个英文字母一个字节就够了，但是Unicode却不得不用两个字节来表示（另一个字节补0）。

 

为了节约，出现了把Unicode编码转化为“可变长编码”的UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间（ASCII码可以看成是UTF-8的一部分，所以大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作）。

 

现在如果我要用Notepad编辑一个python的脚本，我打开文件的过程中，内存中就开辟了一段空间，来临时存储我保存的代码，在计算机内存中，统一使用Unicode编码。

所以我写的中文字符串，要在前面加u表示是Unicode编码的字符串。

静觅博客中也是：

但是为什么有时候，我们要用到decode(‘utf-8‘)，再结合静觅博客来看：

因为糗事百科的服务器发送给客户端（也就是浏览器）的响应的编码就是‘UTF-8‘：

为了在文本编辑（读取文本）时，内存中需要Unicode编码，所以用decode(‘utf-8‘)解码，把UTF-8转化为Unicode编码（同理，encode(‘utf-8‘)是把Unicode转化为UTF-8编码）。

当保存文本到保存到硬盘或者需要传输的时候，就转换为UTF-8编码，所以我们需要在python脚本开头定义#-*-coding:utf-8-*-

 

 图片来源

廖雪峰的官方网站：https://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/001386819196283586a37629844456ca7e5a7faa9b94ee8000

静觅 崔庆才的个人博客：http://cuiqingcai.com/990.html