unicode，utf-8，ASCLL计算机编码原理

Posted 2021-03-26 windtalk

一、字符编码问题
先介绍一下字符编码问题

1.ASCLL与GB2312

由于计算机是美国人发明的，因此，最早只有127个字符被编码到计算机里，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。

国标码是汉字的国家标准编码，目前主要有GB2312、GBK、GB18030三种。

GB2312编码方案于1980年发布，收录汉字6763个，采用双字节编码。
GBK编码方案于1995年发布，收录汉字21003个，采用双字节编码。
GB18030编码方案于2000年发布第一版，收录汉字27533个；2005年发布第二版，收录汉字70000余个，以及多种少数民族文字。GB18030采用单字节、双字节、四字节分段编码。
新版向下兼容旧版，也就是说GBK是在GB2312已有码位基础上增加新码位，GB18030是在GBK已有码位基础上增加新码位，各种编码方案中共有的字符编码相同。现在的中文信息处理应优先采用GB18030编码方案。

2.Unicode

全世界有上百种语言，日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里，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。因此，Unicode应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。Unicode标准也在不断发展，但最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）。

ASCLL与Unicode的关系

现在，捋一捋ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码通常是2个字节。

字母A用ASCII编码是十进制的65，二进制的01000001；

字符0用ASCII编码是十进制的48，二进制的00110000，注意字符‘0‘和整数0是不同的；

汉字‘中‘已经超出了ASCII编码的范围，用Unicode编码是十进制的20013，二进制的01001110 00101101。

你可以猜测，如果把ASCII编码的A用Unicode编码，只需要在前面补0就可以，因此，A的Unicode编码是00000000 01000001。

3.UTF-8

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。

ASCLL与utf-8编码的关系

字符 ASCII Unicode UTF-8
A 01000001 00000000 01000001 01000001
中 x 01001110 00101101 11100100 10111000 10101101
从上面的表格可以发现，UTF-8编码有一个额外的好处，就是ASCII编码实际上可以被看成是UTF-8编码的一部分，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。

计算机系统通用的字符编码工作方式

搞清楚了ASCII、Unicode和UTF-8的关系，我们就可以总结一下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。

 

str与bytes,encode() 与 decode()

Python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‘
要注意区分‘ABC‘和b‘ABC‘，前者是str，后者虽然内容显示得和前者一样，但bytes的每个字符都只占用一个字节。bytes类型中把单个字节能显示的字符显示，不能显示的用x##。

以Unicode表示的str通过encode()方法可以编码为指定的bytes，例如：

>>> ‘ABC‘.encode(‘ascii‘)
b‘ABC‘
>>> ‘中文‘.encode(‘utf-8‘)
b‘xe4xb8xadxe6x96x87‘
>>> ‘中文‘.encode(‘ascii‘)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 0-1: ordinal not in range(128)
 纯英文的str可以用ASCII编码为bytes，内容是一样的，含有中文的str可以用UTF-8编码为bytes。含有中文的str无法用ASCII编码，因为中文编码的范围超过了ASCII编码的范围，Python会报错。

在bytes中，无法显示为ASCII字符的字节，用x##显示。（b‘ABC‘可以显示为ASCLL字符的字节，b‘xe4xb8xadxe6x96x87‘无法显示为ASCLL字符的字节）

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‘xe4xb8xadxe6x96x87‘.decode(‘utf-8‘)
‘中文‘
 如果bytes中包含无法解码的字节，decode()方法会报错，如果bytes中只有一小部分无效的字节，可以传入errors=‘ignore‘忽略错误的字节：

>>> b‘xe4xb8xadxff‘.decode(‘utf-8‘)
Traceback (most recent call last):
...
UnicodeDecodeError: ‘utf-8‘ codec can‘t decode byte 0xff in position 3: invalid start byte
>>> b‘xe4xb8xadxff‘.decode(‘utf-8‘, errors=‘ignore‘)
‘中‘
 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。

在操作字符串时，我们经常遇到str和bytes的互相转换。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。

二、问题解决
现在看遇到的问题

df = pd.read_csv(‘catering_sale.csv‘)
然后出现了

UnicodeDecodeError: ‘utf-8‘ codec can‘t decode byte 0xc8 in position 0: invalid continuation byte
 pd.read_csv（）：

encoding : str, default None

Encoding to use for UTF when reading/writing (e.g. ‘utf-8‘). List of Python standard encodings

默认的encoding 是utf-8，所以问题是出现了utf-8不能解码的字节。

该情况是由于出现了无法进行转换的 二进制数据造成的，可以写一个小的脚本来判断下，是整体的字符集参数选择上出现了问题，还是出现了部分的无法转换的二进制块：

#python3
#以读入文件为例：
f = open("catering_sale.csv","rb")#二进制格式读文件
i = 0
while True:
　　i += 1
　　print(i)
　　line = f.readline()
　　if not line:
　　　　break
　　else:
　　　　try:
　　　　　# print(line)
　　　　　# print(line.decode(‘utf8‘))
　　　　　line.decode(‘utf8‘)
　　　　　　#为了暴露出错误，最好此处不print
　　　　except:
　　　　　　print(str(line))
输出 

1
b‘xc8xd5xc6xda,xcfxfaxc1xbf ‘
2
3
4
5
6
从输出中可以看出是第一行中的字节编码无法解码。这是可以看自己的第一行数据。我的情况是中文。

找到了问题，尝试了一下修改方法：

使用国标码编码 

df = pd.read_csv(‘catering_sale.csv‘, encoding = ‘gb2312‘)
 

读取时也可以用二进制模式打开的文件（包括模式参数中的‘b‘）将内容作为字节对象，而不进行任何解码。

然后使用line.decode(‘gbk’)解码，其中的errors参数:

修改字符集参数，一般这种情况出现得较多是在国标码(GBK)和utf8之间选择出现了问题。
出现异常报错是由于设置了decode()方法的第二个参数errors为严格（strict）形式造成的，因为默认就是这个参数，将其更改为ignore等即可。
————————————————
版权声明：本文为CSDN博主「Rookiekk」的原创文章，遵循 CC 4.0 BY-SA 版权协议。
原文链接：https://blog.csdn.net/qq_18888869/article/details/82625343