对字符编码的理解

Posted 2020-10-08 生如夏花和秋叶

1.含义

　　关于人类文明中的语言符号与计算机所认识的0和1之间的一个对应关系表。字符-------通过翻译----------计算机认识的数字。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。同一编码规范的不同版本间具有向下兼容性。

2.发展历史

（1）阶段一：现代计算机起源于美国，最早诞生也是基于英文考虑的ASCII
ASCII:一个Bytes代表一个字符（英文字符/键盘上的所有其他字符），1Bytes=8bit，8bit可以表示0-2**8-1种变化，即可以表示256个字符 ASCII最初只用了后七位，127个数字，已经完全能够代表键盘上所有的字符了（英文字符/键盘的所有其他字符），后来为了将拉丁文也编码进了ASCII表，将最高位也占用了。

（2）阶段二:为了满足中文和英文，中国人定制了GBK。GBK:2Bytes代表一个中文字符，1Bytes表示一个英文字符 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。

（3）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。如何解决这个问题呢？？？
说白了乱码问题的本质就是不统一，如果我们能统一全世界，规定全世界只能使用一种文字符号，然后统一使用一种编码，那么乱码问题将不复存在， ps：就像当年秦始皇统一中国一样，书同文车同轨，所有的麻烦事全部解决 很明显，上述的假设是不可能成立的。很多地方或老的系统、应用软件仍会采用各种各样的编码，这是历史遗留问题。于是我们必须找出一种解决方案或者说编码方案，需要同时满足： #1、能够兼容万国字符 #2、与全世界所有的字符编码都有映射关系，这样就可以转换成任意国家的字符编码
这就是unicode（定长），　统一用2Bytes代表一个字符，　虽然2**16-1=65535，但unicode却可以存放100w+个字符，因为unicode存放了与其他编码的映射关系，准确地说unicode并不是一种严格意义上的字符编码表，下载pdf来查看unicode的详情： 链接：https://pan.baidu.com/s/1dEV3RYp 很明显对于通篇都是英文的文本来说，unicode的式无疑是多了一倍的存储空间（二进制最终都是以电或者磁的方式存储到存储介质中的） 于是产生了UTF-8（可变长，全称Unicode Transformation Format），对英文字符只用1Bytes表示，对中文字符用3Bytes，对其他生僻字用更多的Bytes去存 #总结：内存中统一采用unicode，浪费空间来换取可以转换成任意编码（不乱码），硬盘可以采用各种编码，如utf-8，保证存放于硬盘或者基于网络传输的数据量很小，提高传输效率与稳定性。

3.涉及到字符编码的场景：

（1）一个python文件中的内容是由一堆字符串组成的，存取均涉及到编码问题；

（2）python中的数据类型字符串是由一串字符组成的；

4.出现乱码的2种情况：

2个概念：文件从内存刷到硬盘叫做存文件：文件从硬盘读到内存叫做读文件

（1）存文件时就已经乱码：存文件时，由于文件内有各个国家的文字，我们单以某一编码格式去存，会存失败而编辑器不会报错，于是打开的时候就会看到乱码

（2）读文件时乱码：存文件时用的是utf-8编码，可以兼容万国，不会乱码，而读文件时选择了错误的解码方式，比如gbk，则在读阶段发生乱码，读阶段发生乱码是可以解决的，选对正确的解码方式就ok了。

5.保证不乱码的方法：用什么格式编码的就就用什么格式解码，一定不会乱码。内存中永远是unicode码。

6.字符编码在文本编辑器中的应用：

7.字符编码在python中的应用：

（1）执行python程序的三个阶段：

第一阶段：启动python解释器

第二阶段：将test.py脚本从硬盘读到内存，此时python解释器就相当于一个文本编辑器，打开test.py文件；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这个编码。可以用sys.getdefaultencoding()查看，如果不在python文件指定头信息＃-*-coding:utf-8-*-,那就使用默认的 python2中默认使用ascii，python3中默认使用utf-8。

第三阶段：读取已经加载到内存中的代码（unicode模式），然后执行过程中可能会开辟新的内存空间，比如x="alex"。请理解好这句话：内存的编码使用unicode，不代表内存中全都是unicode（在程序执行之前，内存中确实都是unicode,比如从文件中读取了一行x="egon",其中的x，等号，引号，地位都一样，都是普通字符而已，都是以unicode的格式存放于内存中的。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俩个空间）用来存放python的数据类型的值，而python的字符串类型又涉及到了字符的概念。比如x="egon",会被python解释器识别为字符串，会申请内存空间来存放字符串类型的值，至于该字符串类型的值被识别成何种编码存放，这就与python解释器的有关了，而python2与python3的字符串类型又有所不同。python3中“egon"是以unicode码暂存于内存，而python2中是以bytes暂存于内存中的。即python2中，str=bytes,unicode=unicode;  python3中，str=unicode,bytes=bytes）。

8.python2与python3字符串类型区别

（1）python2中有2种类型：str 和 unicode。

str类型

当python解释器执行到产生字符串的代码时（例如x=\'上\'），会申请新的内存地址，然后将\'上\'编码成文件开头指定的编码格式

要想看x在内存中的真实格式，可以将其放入列表中再打印，而不要直接打印，因为直接print()会自动转换编码，python解释器这样帮我们做的，易于初学者能看懂，见下面的细说。

#coding:gbk
x=\'上\'
y=\'下\'
print([x,y]) #[\'\\xc9\\xcf\', \'\\xcf\\xc2\']
#\\x代表16进制，此处是c9cf总共4位16进制数，一个16进制四4个比特位，4个16进制数则是16个比特位，即2个Bytes，这就证明了按照gbk编码中文用2Bytes

print(type(x),type(y)) #(<type \'str\'>, <type \'str\'>)

 

unicode类型

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

#coding:gbk
x=u\'上\' #等同于 x=\'上\'.decode(\'gbk\')
y=u\'下\' #等同于 y=\'下\'.decode(\'gbk\')
print([x,y]) #[u\'\\u4e0a\', u\'\\u4e0b\']   注意这一行

print(type(x),type(y)) #(<type \'unicode\'>, <type \'unicode\'>)

打印到终端（细说）

对于print需要特别说明的是：

当程序执行时，比如

x=\'上\' #gbk下，字符串存放为\\xc9\\xcf

print(x) #这一步是将x指向的那块新的内存空间（非代码所在的内存空间）中的内存，打印到终端，按理说应该是存的什么就打印什么,但打印\\xc9\\xcf，对一些不熟知python编码的程序员，立马就懵逼了，所以龟叔自作主张，在print(x)时，使用终端的编码格式，将内存中的\\xc9\\xcf转成字符显示，此时就需要终端编码必须为gbk，否则无法正常显示原内容。

（2）在python3 中也有两种字符串类型str和bytes

str是unicode

 

#coding:gbk
x=\'上\' #当程序执行时，无需加u，\'上\'也会被以unicode形式保存新的内存空间中,

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

#x可以直接encode成任意编码格式
print(x.encode(\'gbk\')) #b\'\\xc9\\xcf\'
print(type(x.encode(\'gbk\'))) #<class \'bytes\'>

 

很重要的一点是：看到python3中x.encode(\'gbk\') 的结果\\xc9\\xcf正是python2中的str类型的值,而在python3是bytes类型，在python2中则是str类型

于是我有一个大胆的推测：python2中的str类型就是python3的bytes类型，于是我查看python2的str()源码，发现