Learing-Python：Python字符编码

Posted 2021-01-07 知非

 1、内存和硬盘都是用来存储的

　　内存：速度快

　　硬盘：永久保存

2、文本编辑器存取文件的原理（nodepad++，pycharm，word）

 　　打开编辑器就可以启动一个进程，是在内存中的，所以在编辑器编写的内容也都是存放在内存中的，断电后数据就丢失了。因而需要保存在硬盘上，点击保存按钮或快捷键，就把内存中的数据保存到了硬盘上。在这一点上，我们编写的py文件（没有执行时），跟编写的其他文件没有什么区别，都只是编写一堆字符而已。

3、Python解释器执行py文件的原理，例如 python test.py

　　第一阶段：启动Python解释器，这就相当于启动了一个文本编辑器

　　第二阶段：将硬盘上的test.py文件当作文本文件读入内存

　　第三阶段：Python解释器执行刚刚加载到内存中的 test.py 的代码（在该阶段，即执行时，才会识别Python的语法，执行到字符串时，会开辟内存空间存放字符串）

总结：Python解释器与文本编辑器的异同

相同点：Python解释器是解释执行文件内容的，因而Python解释器具备读py文件的功能，这一点与文本编辑器一样

不同点：文本编辑器将文件内容读入内存后，是为了显示/编辑，而python解释器将文件内容读入内存后，是为了执行（识别python的语法）

4、什么是字符编码

 　　计算机想要工作必须通电，高低电平（高电平即二进制数1，低电平即二进制数0）就是计算机的工作方式，也就是说计算机只认识数字。那么让计算机如何读懂人类的字符呢？

　　这就必须经过一个过程：

　　　　字符---------（翻译过程）-------------数字

　　这个过程实际就是一个字符如何对应一个特定数字的标准，这个标准称之为字符编码。

5、以下两个场景涉及到字符编码的问题：

　　1）一个Python文件中的内容是由一堆字符组成的（Python文件未执行时）

　　2）Python中的数据类型字符串是由一串字符组成的（Python文件执行时）

6、字符编码的发展史

阶段一：计算机起源于美国，最早诞生也是基于英文考虑的ASCII

　　ASCII码：只能识别英文字符，一个字节（Bytes）代表一个英文字符或键盘上的所有其他字符，1Bytes = 8bit（比特位），8bit 可以表示 0 —— (2^8-1) 种变化，即可以表示256个字符。

阶段二：为了满足中文，中国人定制了GBK

　　GBK：2Bytes代表一个字符，为了满足其他国家，各个国家纷纷定制了自己的编码，日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里。

阶段三：各国有各国的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码，于是产生了Unicode

　　统一用 2Bytes 代表一个字符，2^16-1=65535，可代表6万多个字符，因而兼容万国语言

　　但对于通篇都是英文的文本来说，这种编码方式无疑是多了一倍的存储空间，于是产生了UTF-8，对英文字符只用 1Bytes 表示，对中文字符用 3Bytes。

需要强调的是：

　　Unicode：简单粗暴，多有的字符都是2Bytes，优点是字符--数字的转换速度快；缺点是占用空间大。

　　UTF-8：精准，可变长，优点是节省空间；缺点是转换速度慢，因为每次转换都需要计算出需要多长Bytes才能够准确表示。

1、内存中使用的编码是Unicode，用空间换时间（程序都需要加载到内存才能运行，因而内存应该是越快越好）

2、硬盘中或网络传输用UTF-8，保证数据传输的稳定性。

所有程序，最终都要加载到内存，程序保存到硬盘，不同的国家用不同的编码格式，但是到内存中我们为了兼容万国（计算机可以运行任何国家的程序原因就在于此），统一且固定使用Unicode
这就是为何内存固定用Unicode的原因，你可能会说兼容万国我可以用UTF-8啊，可以，完全可以正常工作，之所以不用肯定是Unicode比UTF-8更高效（Unicode固定用2个字节编码，UTF-8则需要计算），但是Unicode更浪费空间，没错，这就是用空间换时间的一种做法，而存放到硬盘，或者网络传输，都需要把Unicode转成UTF-8,因为数据的传输，追求的是稳定，高效，数据量越小数据传输就越靠谱，于是都转成UTF-8格式的，而不是Unicode。

为什么内存使用Unicode不使用UTF-8

7、字符编码转换

字符 --- 编码 --> Unicode的二进制 ------- 编码 -----> GBK的二进制

GBK的二进制 ----- 解码 --> unicode的二进制 ---- 解码 --> 字符

文件从内存刷到硬盘的操作简称存文件

文件从硬盘读到内存的操作简称读文件

乱码：存文件时就已经乱码  或者  存文件时不乱码而读文件时乱码

总结：无论是何种编辑器，要防止文件出现乱码（请一定注意，存放一段代码的文件也仅仅只是一个普通文件而已，此处指的是文件没有执行前，我们打开文件时出现的乱码）

核心法则就是，字符用什么编码格式编码的，就应该用什么编码格式进行解码

8、 Python解释器默认的字符编码

例：文件 test.py 以 gbk 格式保存，内容为：

　　x = \'湫\'

无论是python2 test.py，还是python3 test.py，都会报错，因为解释器默认的字符编码：

　　Python2：ASCII

　　Python3：UTF-8

通过文件头可以修改Python解释器默认使用的字符编码，在文件首行写：#coding: 后面跟上文件当初存的时候用的字符编码

9、程序的执行

python3 test.py  或 python2 test.py（执行test.py的第一步，一定是先将文件内容读入到内存中）

阶段一：启动Python解释器

阶段二：Python解释器此时就是一个文本编辑器，负责打开文件test.py，即把硬盘中 test.py 的内容读取到内存中

此时，Python解释器会读取 test.py 的第一行内容，#coding :utf-8，来决定以什么编码格式来读入内存，这一行就是来设定Python解释器这个软件的编码使用的编码格式，其中这个编码，Python2默认使用ASCII，Python3默认使用UTF-8

阶段三：解释器读取已经加载到内存的代码（Unicode编码的二进制），然后执行，执行过程中可能会开辟新的内存空间，比如 x = "qiuxi"

注意：

　　内存的编码使用Unicode，不代表内存中全都是Unicode编码的二进制

　　在程序执行之前，内存中确实都是Unicode编码的二进制，比如从文件中读取了一行 x = "qiuxi"，其中的x，赋值号，引号，地位都一样，都是普通字符而已，都是以Unicode编码的二进制形式存放于内存中的，但是程序在执行过程中，会申请内存（与程序代码所存在的内存是两个空间），可以存放任意编码格式的数据，比如x = "qiuxi"，会被Python解释器识别为字符串，会申请内存空间来存放"qiuxi"，然后让 x 指向该内存地址，此时新申请的内存地址保存的也是Unicode编码的qiuxi，如果代码换成 x = "qiuxi".encode(\'utf-8\')，那么新申请的内存空间里存放的就是UTF-8编码的字符串qiuxi了

10、Python2与Python3的区别

在Python2中有两种字符串相关类型：str 和 Unicode

# -*- coding: utf-8 -*-
s = \'林\' # 在执行时，\'林\'会被utf-8的形式保存到新的内存空间中

print repr(s) # \'\\xe6\\x9e\\x97\' 三个Bytes，证明确实是utf-8
print type(s) # <type \'str\'>

s.decode(\'utf-8\')
# s.encode(\'utf-8\') # 报错，s为编码后的结果bytes，所以只能decode

当Python解释器执行到产生字符串的代码时（例如s = u\'林\'），会申请新的内存地址，然后将 \'林\' 以Unicode的格式存放到新的内存空间中，所以 s 只能encode，不能decode

s = u\'林\'
print repr(s) # u\'\\u6797\'
print type(s) # <type \'unicode\'>

# s.decode(\'utf-8\') # 报错，s为Unicode，所以只能encode
s.encode(\'utf-8\')

对于unicode格式的数据来说，无论怎么打印，都不会乱码

Python3中的字符串与Python2中的u\'字符串\'，都是Unicode，所以无论如何打印都不会乱码

在python3中也有两种字符串相关类型：str 和 bytes

　　str是Unicode

# -*- coding: utf-8 -*-
s = \'林\' # 当程序执行时，无需加u，\'林\'也会被以Unicode形式保存新的内存空间中,

# s可以直接encode成任意编码格式
s.encode(\'utf-8\')
s.encode(\'gbk\')

print(type(s)) # <class \'str\'>