Python 字符编码

Posted 2020-09-18

ASCII编码:
计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是255，最多只能表示2**8个不同的字符
由于计算机是美国人发明的，因此，最早只有127个字母被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122。
但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以，中国制定了GB2312编码，用来把中文编进去。全世界有上百种语言，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。

Unicode编码:
因此，万国码（Unicode）应运而生。Unicode编码“至少”2个字节即16位，把所有语言都统一到一套编码里，这样就解决了乱码的问题，现代操作系统和大多数编程语言都直接支持Unicode。

UTF-8 : 
UTF-8编码可理解为可变长的编码，目的是为了节约存储空间，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，汉字一般是3个字节。

字符编码的转换
现在计算机系统通用的字符编码工作方式：在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。
用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件。浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器，所以很多网页的源码上会有类似<meta charset="UTF-8" />的信息，表示该网页正是用的UTF-8编码
unicode=>utf8: encode编码
utf8=>unicode: decode解码
utf8=>unicode=>gbk: utf8转换成gbk需要经过unicode

因为Python的诞生比Unicode标准发布的时间还要早，所以最早的Python只支持ASCII编码，普通的字符串‘ABC‘在Python内部都是ASCII编码的，Python在后来添加了对Unicode的支持。
Python3.x 的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节。
如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes，Python对bytes类型的数据用带b前缀的单引号或双引号表示： x = b‘ABC‘ 虽然b‘ABC‘和‘ABC‘内容显示一样，但bytes的每个字符都只占用一个字节。
以Unicode表示的str通过encode()方法可以编码为指定的bytes (ascii或 utf-8) 
>>> ‘ABC‘.encode(‘ascii‘) 
b‘ABC‘
>>> type(b‘ABC‘) 
<class ‘bytes‘>
>>> ‘中文‘.encode(‘utf-8‘)
b‘\xe4\xb8\xad\xe6\x96\x87‘

反过来，如果我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。要把bytes变为str，就需要用decode()方法
>>> b‘ABC‘.decode(‘ascii‘)
‘ABC‘
>>> b‘\xe4\xb8\xad\xe6\x96\x87‘.decode(‘utf-8‘)
‘中文‘

用len()函数计算str的字符数，如果换成bytes，就计算字节数：
>>> len(‘ABC‘)
3
>>> len(‘中文‘)
2
>>> len(b‘ABC‘)
3
>>> len(‘中文‘.encode(‘utf-8‘))
6
可见，1个中文字符经过UTF-8编码后通常会占用3个字节，而1个英文字符只占用1个字节。

str和bytes互相转换时，需要指定编码，最常用的编码是UTF-8。Python当然也支持其他编码方式，比如把Unicode编码成GB2312，如果没有特殊业务要求，仅使用UTF-8编码。在操作字符串时，为了避免乱码问题，应当始终坚持使用UTF-8编码对str和bytes进行转换。

由于Python源代码也是一个文本文件，所以，当你的源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上这两行：

#!/usr/bin/env python --告诉Linux/OS X系统，这是一个Python可执行程序，Windows系统会忽略这个注释；
# -*- coding: utf-8 -*- --告诉Python解释器，按照UTF-8编码读取源代码，否则，你在源代码中写的中文输出可能会有乱码。
声明了UTF-8编码并不意味着你的.py文件就是UTF-8编码的，必须并且要确保文本编辑器正在使用UTF-8 without BOM编码，如果.py文件本身使用UTF-8 编码，并且也申明了# -*- coding: utf-8 -*-，打开命令提示符测试就可以正常显示中文

注：Python3.x 解释器默认按UTF-8编码读取源码，不需要声明