python的 随手记----字符编码与转码

Posted 2020-10-04

一.前提

    那么到底什么是编码呢？

    //ASCII

    记住一句话：计算机中的所有数据，不论是文字、图片、视频、还是音频文件，本质上最终都是按照类似 01010101 的二进制存储的。
    再说简单点，计算机只懂二进制数字！
    所以，目的明确了：如何将我们能识别的符号唯一的与一组二进制数字对应上？于是美利坚的同志想到通过一个电平的高低状态来代指0或1，
    八个电平做为一组就可以表示出
    256种不同状态，每种状态就唯一对应一个字符，比如A--->00010001,而英文只有26个字符，算上一些特殊字符和数字，128个状态也够
    用了；每个电平称为一个比特为，约定8个比特位构成一个字节，这样计算机就可以用127个不同字节来存储英语的文字了。这就是ASCII编码。
    
    扩展ANSI编码
    刚才说了，最开始，一个字节有八位，但是最高位没用上，默认为0；后来为了计算机也可以表示拉丁文，就将最后一位也用上了，
    从128到255的字符集对应拉丁文啦。至此，一个字节就用满了！

    //GB2312

    计算机漂洋过海来到中国后，问题来了，计算机不认识中文，当然也没法显示中文；而且一个字节所有状态都被占满了，万恶的帝国主义亡
    我之心不死啊！我党也是棒，自力更生，自己重写一张表，直接生猛地将扩展的第八位对应拉丁文全部删掉，规定一个小于127的字符的意
    义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高字节）从0xA1用到0xF7，后面一个字节
   （低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了；这种汉字方案叫做 “GB2312”。GB2312 是对 ASCII 的中文扩展。

    //GBK 和 GB18030编码

    但是汉字太多了，GB2312也不够用，于是规定：只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的
    内容。结果扩展之后的编码方案被称为 GBK 标准，GBK 包括了 GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。

    //UNICODE编码：

    很多其它国家都搞出自己的编码标准，彼此间却相互不支持。这就带来了很多问题。于是，国际标谁化组织为了统一编码：提出了标准编码准
    则：UNICODE 。
    UNICODE是用两个字节来表示为一个字符，它总共可以组合出65535不同的字符，这足以覆盖世界上所有符号（包括甲骨文）

    //utf8:

    unicode都一统天下了，为什么还要有一个utf8的编码呢？
    大家想，对于英文世界的人们来讲，一个字节完全够了，比如要存储A,本来00010001就可以了，现在吃上了unicode的大锅饭，
    得用两个字节：00000000 00010001才行，浪费太严重！
    基于此，美利坚的科学家们提出了天才的想法：utf8.
    UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，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，当字符在ASCII码的范围时，就用一个字节表示，所以是兼容ASCII编码的。

    这样显著的好处是，虽然在我们内存中的数据都是unicode，但当数据要保存到磁盘或者用于网络传输时，直接使用unicode就远不如utf8省空间啦！
    这也是为什么utf8是我们的推荐编码方式。

    Unicode与utf8的关系：
    一言以蔽之：Unicode是内存编码表示方案（是规范），而UTF是如何保存和传输Unicode的方案（是实现）这也是UTF与Unicode的区别。

 

　　我们只需要知道unicode是万国码，而utf-8还有gbk都是由unicode中拓展出来的，于是我们utf-8转为gbk是形式是：先转成unicode再转成gbk；同理其他编码转化成utf-8，也先向unicode转化，再转成utf-8

 

python3字符串是以Unicode编码的，文本总是Unicode，由str类型表示，二进制数据则由bytes类型表示

其中的容易误解的地方：

（1）py3里默认文件编码就是utf-8,所以可以直接写中文，也不需要文件头声明编码了
（2）你声明的变量默认是unicode编码，即使你文件头声明编码是utf-8，也不是utf-8, 因为默认即是unicode了

import sys
print(sys.getdefaultencoding())#打印系统的默认编码

#s=u"你好"#加一个u表示这个你好是upython默认是unicodenicode的编码格式，输出结果发现和不加u是一样的，表示python默认是unicode
s="你好"#，即这个s是unicode的编码格式
print(s.encode("utf-8"))#encode解码，即告诉系统s向utf-8转换，输出一个byte类型的对象
print(s.encode("utf-8").decode("gbk"))#表示再向gbk格式转码
print(s.encode("gbk"))
print(s.encode("utf-8").decode("utf-8").encode("gbk"))
print(s.encode())#默认不写表示utf-8
print(s.encode("utf-8").decode())

输出结果： 

>>>utf-8 
>>>b‘\\xe4\\xbd\\xa0\\xe5\\xa5\\xbd‘#b‘表示byte类型 
>>>浣犲ソ >>>b‘\\xc4\\xe3\\xba\\xc3‘ 
>>>b‘\\xc4\\xe3\\xba\\xc3‘ 
>>>b‘\\xe4\\xbd\\xa0\\xe5\\xa5\\xbd‘ 
>>>你好