python中的字符编码和转换

Posted 2020-10-05

1.字符编码初识

最初的字符集是ASCII，ASCII（American Standard Code for Information Interchange，美国标准信息交换代码）是基于拉丁字母的一套电脑编码系统，主要用于显示现代英语和其他西欧语言，其最多只能用 8 位来表示（一个字节），即：2**8 = 256-1，所以，ASCII码最多只能表示 255 个符号。

随着计算机技术的普及和发展，255个符号显然不满足全世界国家对符号数量的需求，因此各国开始发展自己的一套编码。那么针对中文：

为了处理汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。

GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。

GB2312 支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的 GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

从ASCII、GB2312、GBK 到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。

有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文Windows内码。

但是各国都有属于自己的字符集，对于统一使用来说很不方便，因此产生了能够包含所有字符和符号的编码，即：Unicode。

Unicode（统一码、万国码、单一码）是一种在计算机上使用的字符编码。Unicode 是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，规定虽有的字符和符号最少由 16 位来表示（2个字节），即：2 **16 = 65536，
注：此处说的的是最少2个字节，可能更多

UTF-8，是对Unicode编码的压缩和优化，他不再使用最少使用2个字节，而是将所有的字符和符号进行分类：ascii码中的内容用1个字节保存、欧洲的字符用2个字节保存，东亚的字符用3个字节保存。

需要注意：python2中默认的字符集是ascii，python3中默认的字符集是unicode

2.字符编码的转换

注意：在python3中encode,在转码的同时还会把string 变成bytes类型，decode在解码的同时还会把bytes变回string

示例1：

a = "hello,world!"
print(a.encode(),tpye(a.encode()))

结果为：

b‘hello,world!‘ <class ‘bytes‘>

可以看出字符串a已经被转码为bytes类型

示例2：

b = "好好学习，天天向上"
unicode_to_gbk = b.encode("GBK")
print(unicode_to_gbk)
gbk_to_utf = unicode_to_gbk.decode("GBK").encode("utf-8")
print(gbk_to_utf)

结果为：

b‘\\xba\\xc3\\xba\\xc3\\xd1\\xa7\\xcf\\xb0\\xa3\\xac\\xcc\\xec\\xcc\\xec\\xcf\\xf2\\xc9\\xcf‘
b‘\\xe5\\xa5\\xbd\\xe5\\xa5\\xbd\\xe5\\xad\\xa6\\xe4\\xb9\\xa0\\xef\\xbc\\x8c\\xe5\\xa4\\xa9\\xe5\\xa4\\xa9\\xe5\\x90\\x91\\xe4\\xb8\\x8a‘

对于第一个print输出，由于默认是unicode的编码形式，因此只需指定encode（编码）为gbk格式的即可；

而对于第二个print输出，由于现在已经是gbk的形式了，因此需要先decode（解码）成unicode格式，然后在编码为utf-8格式，就实现了从gbk格式转码为utf-8格式。