004-python基础-字符编码与转码

一、三种编码方式

1. ASCII：是基于拉丁字母的一套电脑编码系统，主要用于显示现代英语和其他西欧语言，其最多只能用 8 位来表示（一个字节），即：2**8 = 256-1，所以，ASCII码最多只能表示 255 个符号。
2. Unicode（统一码、万国码、单一码）:是一种在计算机上使用的字符编码，规定所有的字符和符号最少由 16 位来表示（2个字节），即：2 **16 = 65536。
3. UTF-8（8-bit Unicode Transformation Format）
   : 是对Unicode编码的压缩和优化，他不再使用最少使用2个字节，而是将所有的字符和符号进行分类：ascii码中的内容用1个字节保存、欧洲的字符用2个字节保存，东亚的字符用3个字节保存。utf8，因为是可变长字节的编码方式，所以存储文件时就会节省大量空间，同时兼容ASCII码。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。

　　unicode与UTF-8之间的关系：

      一言以蔽之：Unicode是内存编码表示方案（是规范），而UTF是如何保存和传输Unicode的方案（是实现）这也是UTF与Unicode的区别。

　　在计算机内存中，统一使用unicode编码，当需要保存到硬盘或需要传输的时候，就转换为UTF-8编码。

 

二、文件从磁盘到内存的编码

　　那当我们保存了存到磁盘上的数据又是什么呢？

　　答案是通过某种编码方式编码的bytes字节串。比如utf8-－－一种可变长编码，很好的节省了空间；当然还有历史产物的gbk编码等等。于是，在我们的文本编辑器软件都有默认的保存文件的编码方式，比如utf8，比如gbk。当我们点击保存的时候，这些编辑软件已经"默默地"帮我们做了编码工作。

　　那当我们再打开这个文件时，软件又默默地给我们做了解码的工作，将数据再解码成unicode,然后就可以呈现明文给用户了！

　　所以，unicode是离用户更近的数据，bytes是离计算机更近的数据。

　　说了这么多，和我们程序执行有什么关系呢？

　　先明确一个概念：py解释器本身就是一个软件，一个类似于文本编辑器一样的软件！

　　现在让我们一起还原一个py文件从创建到执行的编码过程：

　　打开pycharm，创建hello.py文件，写入

ret=1+1
s='苑昊'
print(s)

      当我们保存的的时候，hello.py文件就以pycharm默认的编码方式保存到了磁盘；关闭文件后再打开，pycharm就再以默认的编码方式对该文件打开后读到的内容进行解码，转成unicode到内存我们就看到了我们的明文；

      而如果我们点击运行按钮或者在命令行运行该文件时，py解释器这个软件就会被调用，打开文件，然后解码存在磁盘上的bytes数据成unicode数据，这个过程和编辑器是一样的，不同的是解释器会再将这些unicode数据翻译成C代码再转成二进制的数据流，最后通过控制操作系统调用cpu来执行这些二进制数据，整个过程才算结束。

　　那么问题来了，我们的文本编辑器有自己默认的编码解码方式，我们的解释器有吗？

　　当然有啦，py2默认ASCII码，py3默认的utf8，可以通过如下方式查询

import sys
print(sys.getdefaultencoding())

　　大家还记得这个声明吗？

#coding:utf8

 　　是的，这就是因为如果py2解释器去执行一个utf8编码的文件，就会以默认地ASCII去解码utf8，一旦程序中有中文，自然就解码错误了，所以我们在文件开头位置声明　#coding:utf8，其实就是告诉解释器，你不要以默认的编码方式去解码这个文件，而是以utf8来解码。而py3的解释器因为默认utf8编码，所以就方便很多了。

 

三、关于编码的详细文章：

　　http://www.cnblogs.com/yuanchenqi/articles/5956943.html （py编码终极版）

 

四、转码

　　需知：

　　1.在python2默认编码是ASCII, python3里默认是utf-8

　　2.unicode 分为 utf-32(占4个字节),utf-16(占两个字节)，utf-8(占1-4个字节)， so utf-8就是unicode

　　3.在py3中encode,在转码的同时还会把string 变成bytes类型，decode在解码的同时还会把bytes变回string

　　

#-*-coding:utf-8-*-
__author__ = 'Alex Li'

import sys
print(sys.getdefaultencoding())


msg = "我爱北京天安门"
msg_gb2312 = msg.decode("utf-8").encode("gb2312")
gb2312_to_gbk = msg_gb2312.decode("gbk").encode("gbk")

print(msg)
print(msg_gb2312)
print(gb2312_to_gbk)

#-*-coding:gb2312 -*-   #这个也可以去掉
__author__ = 'Alex Li'

import sys
print(sys.getdefaultencoding())


msg = "我爱北京天安门"
#msg_gb2312 = msg.decode("utf-8").encode("gb2312")
msg_gb2312 = msg.encode("gb2312") #默认就是unicode,不用再decode,喜大普奔
gb2312_to_unicode = msg_gb2312.decode("gb2312")
gb2312_to_utf8 = msg_gb2312.decode("gb2312").encode("utf-8")

print(msg)
print(msg_gb2312)
print(gb2312_to_unicode)
print(gb2312_to_utf8)