【python系统学习16】编码基础知识

编码

计算机是怎么传输和存储数据的?

就是把人类认识的中英文字、其他国家语言、数字甚至运算符等符号转成二进制的0、1,并进行存储和传输。

编码

人类语言:中英文字、其他国家语言、数字甚至运算符等符号

计算机语言:二进制的0、1【没错,计算机只认识0和1】

编码:将人类语言转换为计算机语言。

除了0、1这些阿拉伯数字,像a、b、c这样的52个字母(包括大小写),还有一些常用的符号(例如*、#、@等)在计算机中存储时也要使用二进制数来表示,而具体用哪些二进制数字表示哪个符号,理论上每个人都可以有自己的一套规则(这就叫编码规则,形成编码表)。

如果使用了不同的编码规则,就会有计算机识别不了的情况,出现乱码

进制

二进制、八进制、十六进制。

八进制和十六进制分别是二进制的3次方和4次方。方便和二进制之间非常直接的相互转换

二进制

由0和1构成的

二进制 十进制
00 0
01 1
10 2
11 3
100 4
101 5
110 6
111 7
1000 8
  • 二进制的00,代表十进制的0
  • 二进制的01,代表十进制的1
  • 二进制的10,代表十进制的2【笑话:世界上有10种人,懂二进制的和不懂二进制的】
  • 二进制的11,代表十进制的3
  • 二进制的100,代表十进制的4
  • 以此类推...
  • 当有两位数时,我们可以表示0到3,共4种状态,即2的平方
  • 当有三位数时,我们可以表示0到7,共8种状态,即2的三次方
  • 当有八位数时,我们可以表示0到255,共256种状态,即2的8次方

八进制

使用0、1、2、3、4、5、6、7组成的

十六进制

使用0、1、2、3、4、5、6、7、8、9、a、b、c、d、e、f组成的

ASCII编码表中的“K”

二进制 八进制 十进制 十六进制 字母
01001011 113 75 4B K

注意这里还是大写的字母K哦~

存储单位

计算机里的存储单位

位/比特(bit)

位:又叫比特(bit)是计算机里最小的存储单位。用来存放一位二进制书,即0或1。

字节(byte)

八个比特是一个字节,是计算机里最常用的单位。简写“B”

千字节(Kilobyte)

兆字节(Megabyte)

简称“兆”

吉字节(Gigabyte)

又叫千兆

单位换算

1B(byte 字节) = 8bit
1KB(Kilobyte 千字节) = 1024B
1MB(Megabyte 兆字节) = 1024KB
1GB(Gigabyte) = 1024MB

为什么办的100兆的宽带,撑死就只有10几兆的下载速度?

因为运营商的带宽是以比特每秒为单位的,比如100M就是100Mbit/s。

而我们常看到的下载速度KB却是以字节每秒为单位显示的,1byte = 8bit,所以运营商说的带宽得先除以8,你的百兆宽带下载速度,也就是十几兆了。

编码表

为了避免乱码,人类就约定了一套共同的编码规则。就像计算机世界的新华字典、牛津英语字典。

编码表历史

ASCII

  • ASCII编码(读音:/ˈæski/),美国首先出台。统一规定了常用符号用哪些二进制数来表示。 因为英文字母、数字再加上其他常用符号,也就100来个,因此使用7个比特位(最多表示128位)就够用了,所以一个字节中被剩下的那个比特位就被默认为0。

  • 但欧洲不光有英语,还有法语字母上的注音符。于是欧洲用了美国剩下的那个比特位,普遍使用一个全字节(8个比特位)进行编码,最多可表示256位,至此,一个字节就用满了!

ASCII统一了前面0-127位,但从状态128到255这一段的解释就完全乱套了,比如135在法语,希伯来语,俄语编码中完全是不同的符号。

GB2312和GBK

  • 中国10万汉字,256位也不够用。于是一张新编码表GB2312被中国科学家发明了。 用2个字节,也就是16个比特位,来表示绝大部分(65535个)常用汉字。后来,为了能显示更多的中文,又出台了GBK标准。

Unicode

因各个国家的编码表都不同。不同国家间通信又会乱码。

  • 于是Unicode(万国码)来统一。 这套编码表将世界上所有的符号都纳入其中。每个符号都有一个独一无二的编码,现在Unicode可以容纳100多万个符号,所有语言都可以互通,一个网页上也可以显示多国语言。

万国码的缺点是让英文字符被迫占用两个字节,耗费计算机存储空间。(如A:用00010001就行,但是为了顺从统一,需要用两个字节:00000000 00010001)

UTF-8

  • UTF-8(8-bit Unicode Transformation Format)被提出。针对Unicode的可变长度字符编码。它可以使用1~4个字节表示一个符号,根据不同的符号而变化字节长度。而当字符在ASCII码的范围时,就用一个字节表示,所以UTF-8还可以兼容ASCII编码。

Unicode与UTF-8这种暧昧的关系一言以蔽之:Unicode是内存编码的规范,而UTF-8是如何保存和传输Unicode的手段。

编码表对比

编码表 适用性 特点
ASCII码 英文大小写,字符,不支持中文 美国人发明,占用空间小,用一个字节就行
GB2312码、GBK码 支持中文 中国人发明,GBK是GB2312的升级,增加了更多原来没有的文字字符
Unicode码 支持国际语言,万国码 适用性强但占用空间大。在ASCII码前面补8个bit位就是Unicode码
UTF-8码 支持国际语言 Unicode的升级,两者容易互相转化。占用空间小、适用性强。ASCII码被UTF-8码包含。

编码方案使用情况表

编码表 当前使用情况 备注
ASCII码 - -
GB2312码、GBK码 中文的文件和中文网站,使用GBK、GB2312 -
Unicode码 计算机内存中处理数据时使用的统一标准格式 Python3中,程序处理我们输入的字符串使用Unicode编码
UTF-8码 数据在硬盘上存储,或者网络上传输时,用的UTF-8 因为节省空间。程序来转换编码。

基于上表,有时候面对不同编码的数据,我们还需要手动操作实现编码转换。就要用到encode(编码)decode(解码)

编码操作和解码操作

编码:encode()

语法:

'你想编码的内容'.encode('你使用的编码表名称')

用法:

print('一天打鱼两个月晒网的小石头'.encode('utf-8'))
# b'\xe4\xb8\x80\xe5\xa4\xa9\xe6\x89\x93\xe9\xb1\xbc\xe4\xb8\xa4\xe4\xb8\xaa\xe6\x9c\x88\xe6\x99\x92\xe7\xbd\x91\xe7\x9a\x84\xe5\xb0\x8f\xe7\x9f\xb3\xe5\xa4\xb4'
print('I Love U'.encode('gbk'))
# b'I Love U'
print('小石头'.encode('utf-8'))
# b'\xe5\xb0\x8f\xe7\x9f\xb3\xe5\xa4\xb4'

将上述人类语言编码得到机器语言后的打印结果在注释里。

字母b

这里之所以有个字母b,代表他是bytes(字节)类型的数据。 可以用type()函数验证一下:

print(type(b'\xe5\xb0\x8f\xe7\x9f\xb3\xe5\xa4\xb4')) # <class 'bytes'>

符号\x

另外,几乎每个字母/数字前边都有的\x,他的作用是分隔符,用来分隔一个字节和另一个字节。

这样的分隔符,我们还见过:

<a href="https://www.baidu.com/s?wd=%e5%b0%8f%e7%9f%b3%e5%a4%b4" />

对比发现下边两段字符串,你有发现什么奥妙么!:

%e5%b0%8f%e7%9f%b3%e5%a4%b4
\xe5\xb0\x8f\xe7\x9f\xb3\xe5\xa4\xb4

%\x一样,都是一种分隔符。只不过%是url中的、\x是python中的

解码:decode()

语法:

'你想解码的内容'.encode('你使用的编码表名称')

用法:

print(b'\xe5\xb0\x8f\xe7\x9f\xb3\xe5\xa4\xb4'.decode('UTF-8')) # 小石头

::: warning 注意 你要解码的内容得跟编码时用的编码表一致。不然会报错。 :::

也就是说,UTF-8编码的字节就一定要用UTF-8的规则解码,其他编码同理,否则就会出现乱码或者报错的情况,

print(b'\xe5\xb0\x8f\xe7\x9f\xb3\xe5\xa4\xb4'.decode('GBK'))
# 把utf-8编码的字符串用GBK来解码,就报错了。
# UnicodeDecodeError: 'gbk' codec can't decode byte 0xb4 in position 8: incomplete multibyte sequence
posted @ 2020-05-30 23:38  xing.org1^  阅读(771)  评论(0编辑  收藏  举报