python 字符编码

python 编码转换

了解字符编码的知识储备

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

　　 打开编辑器就打开了启动了一个进程，是在内存中的，所以在编辑器编写的内容也都是存放与内存中的，断电后数据丢失，因而需要保存到硬盘上，点击保存按钮，就从内存中把数据刷到了硬盘上。在这一点上，我们编写一个py文件（没有执行），跟编写其他文件没有任何区别，都只是在编写一堆字符而已。

　　即:在没有点击保存时,我们所写的内容都是写入内存。注意这一点，很重要！！当我们点击保存，内容才被刷到硬盘。

　　上面做了两件事：写内容到内存,从内存将内存刷到硬盘。这是两个过程。

• python解释器执行py文件的原理 ，例如python test.py

​ 第一阶段：python解释器启动，此时就相当于启动了一个文本编辑器

　　第二阶段：python解释器相当于文本编辑器，去打开test.py文件，从硬盘上将test.py的文件内容读入到内存中

　　第三阶段：python解释器解释执行刚刚加载到内存中test.py的代码

　　python解释器执行py文件分为两个步骤:1.将文件读到内存,2.解释执行内容。

• 字符编码简介

　　 编码/解码本质上是一种映射（对应关系），比如‘a’用ascii编码则是65，计算机中存储的就是00110101，但是显示的时候不能显示00110101，还是要显示'a'，但计算机怎么知道00110101是'a'呢，这就需要解码，当选择用ascii解码时，当计算机读到00110101时就到对应的ascii表里一查发现是'a'，就显示为'a'

​ 编码：真实字符与二进制串的对应关系，真实字符→二进制串

​ 解码：二进制串与真实字符的对应关系，二进制串→真实字符

​ 要搞清楚字符编码，首先要解决的问题是：什么是字符编码？

　　我们都知道，计算机要想工作必须通电,也就是说‘电’驱使计算机干活,而‘电’的特性，就是高低电平(高低平即二进制数1,低电平即二进制数0),也就是说计算机只认识数字(010101).如果我们想保存数据,首先得将我们的数据进行一些处理，最终得转换成010101才能让计算机识别。

　　所以必须经过一个过程：

　　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。

　　那么问题就来了？作为一种编码方案，还得解决两个问题:

　　　　a.字节是怎么分组的，如8 bits或16 bits一组，这也被称作编码单元。

　　　　b.编码单元和字符之间的映射关系。例如，在ascii码中，十进制65映射到字母a上。

　　ascii码是上个世纪最流行的编码体系之一，至少在西方是这样。下图显示了ascii码中编码单元是怎么映射到字符上的。

​ 随着计算机越来越流行，厂商之间的竞争更加激烈，在不同的计算机体系间转换数据变得十分蛋疼，人们厌烦了这种自定义造成的混乱。最终，计算机制造商一起制定了一个标准的方法来描述字符。他们定义使用一个字节的低7位来表示字符，并且制作了如上图所示的对照表来映射七个比特的值到一个字符上。例如，字母a是65，c是99，~是126等等， ascii码就这样诞生了。原始的ascii标准定义了从0到127 的字符，这样正好能用七个比特表示。

　　为什么选择了7个比特而不是8个来表示一个字符呢？我并不关心。但是一个字节是8个比特，这意味着1个比特并没有被使用，也就是从128到255的编码并没有被制定ascii标准的人所规定，这些美国人对世界的其它地方一无所知甚至完全不关心。其它国家的人趁这个机会开始使用128到255范围内的编码来表达自己语言中的字符。例如，144在阿拉伯人的ascii码中是گ，而在俄罗斯的ascii码中是ђ。ascii码的问题在于尽管所有人都在0-127号字符的使用上达成了一致，但对于128-255号字符却有很多很多不同的解释。你必须告诉计算机使用哪种风格的ascii码才能正确显示128-255号的字符。

　　总结：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。

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

阶段三：万国码unicode编码

　　后来，有人开始觉得太多编码导致世界变得过于复杂了，让人脑袋疼，于是大家坐在一起拍脑袋想出来一个方法：所有语言的字符都用同一种字符集来表示，这就是unicode。

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（英文字母只需要一个字节就足够,用两个字节来表示,无疑是浪费空间）.于是产生了utf-8，对英文字符只用1bytes表示，对中文字符用3bytes.utf-8是一个非常惊艳的概念，它漂亮的实现了对ascii码的向后兼容，以保证unicode可以被大众接受。

在utf-8中，0-127号的字符用1个字节来表示，使用和us-ascii相同的编码。这意味着1980年代写的文档用utf-8打开一点问题都没有。只有128号及以上的字符才用2个，3个或者4个字节来表示。因此，utf-8被称作可变长度编码。于是下面字节流如下：

　　　　0100100001000101010011000100110001001111

　　这个字节流在ascii和utf-8中表示相同的字符：hello

　　至于其他的utf-16，这里就不再叙述了。

　　总结一点：unicode：简单粗暴，所有字符都是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，对不同的字符用不同的长度表示，优点是节省空间，缺点是：字符->数字的转换速度慢，因为每次都需要计算出字符需要多长的bytes才能够准确表示。

　　因此，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，因而内存应该是尽可能的保证快）；硬盘中或者网络传输用utf-8，网络i/o延迟或磁盘i/o延迟要远大与utf-8的转换延迟，而且i/o应该是尽可能地节省带宽，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更高效啊（uicode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。

不管是哪种类型的文件，只要记住一点：文件以什么编码保存的，就以什么编码方式打开.

　　下面我们来看看python中关于编码出现的问题:

　　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

　　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="hello"

　　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="hello",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编码的二进制形式存放与内存中的.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），可以存放任意编码格式的数据，比如x="hello",会被python解释器识别为字符串，会申请内存空间来存放"hello"，然后让x指向该内存地址，此时新申请的该内存地址保存也是unicode编码的hello,如果代码换成x="hello".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hello了.

　　

　　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

　　　　　　

　　如果服务端encode的编码格式是utf-8， 客户端内存中收到的也是utf-8编码的二进制

　python3 除了把字符串的编码改成了unicode, 还把str 和bytes 做了明确区分， str 就是unicode格式的字符， bytes就是单纯二进制。

　　在py3里看字符，必须得是unicode编码，其它编码一律按bytes格式展示。

#在python3中也有两种字符串类型str和bytes

#str类型变为unicode类型

#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'>

#bytes类型

#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
s1=s.encode('utf-8')
s2=s.encode('gbk')

print(s) #林
print(s1) #b'\xe6\x9e\x97' 在python3中，是什么就打印什么
print(s2) #b'\xc1\xd6' 同上

print(type(s)) #<class 'str'>
print(type(s1)) #<class 'bytes'>
print(type(s2)) #<class 'bytes'>

python3 文件默认编码是utf-8，字符串编码是unicode，以utf-8或者gbk等代码，加载到内存，会自动转为unicode正常显示。