Python3基础-字符编码

1. 字符编码简介

字符串是一种数据类型，当是，字符串比较特殊还是存在编码问题！

因为计算机只能处理数字，如果要处理文本，必须先把文本转换为数字才能处理。计算机在设计时采用 8 个比特（bit）作为一个字节，所以，一个字节能表示整数范围时0-255（二进制11111111=十进制255），如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是65535，4个字节可以表示的最大整数是4294967295。

8 bit（二进制）=一个字节（byte）

由于计算机是美国人发明的，因此，最早只有127个字母被编码到计算机里，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。

---- ASCII

ASCII(American Standard Code for Information Interchange)，是一种单字节的编码。计算机世界里一开始只有英文，而单字节可以表示256个不同的字符，可以表示所有的英文字符和许多的控制符号。不过ASCII只用到了其中的一半（\x80以下），这也是MBCS得以实现的基础。

--- Unicode

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吧说有语言都统一到一套编码里，这样就不会出现乱码问题，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）。现代操作系统和大多数编程语言都直接支持Unicode。

--- UTF-8

新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。

所以，又出现了把Unicode编码转化为“可变长编码”的UTF-8编码。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：

字符	ASCll	Unicode	UTF-8
A	01000001	00000000 01000001 二个字节	01000001 一个字节
中		01001110 00101101二个字节	11100100 10111000 10101101三个字节

--- 计算机系统通用的字符编码工作方式

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：

--- 先说字符串

在最新的Python 3版本中，字符串是以Unicode编码的，也就是说，Python的字符串支持多语言，例如：

>>> print('包含中文的str')
包含中文的str

对于单个字符的编码，Python提供了ord()函数获取字符的整数表示，chr()函数把编码转换为对应的字符：

ord()函数获取字符的整数(十进制)表示   默认是ascii编码 中文用unicode

chr()函数把编码转换为对应的字符

>>> ord('A')
65
>>> ord('中')
20013
>>> chr(66)
'B'
>>> chr(25991)
'文'
复制代码

如果知道字符的整数编码，还可以用十六进制这么写str

'\u4e2d\u6587' // 中文(\u代表unicode  4e2d 代表十六进制（二个字节）)

--- 补充进制写法

因为十进制非0开头 所以其他进制的写法 要前补0用于区分

二进制      ====== 0b 或 0B开头   例如：0b10011100010110

八进制      ====== 0开头

十六进制   ======  0x或x开头

负数前面加======  -  

 

进制转换：

bin()===转二进制

hex()===转十六进制

oct()===转八进制

---byte

由于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。 

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

 

---补对于字符串的编码转换

python3中encode和decode跟python2还是有一定的区别的，在python3中：　

• decode 的作用是将其他编码的字符串转换成 Unicode 编码，eg name.decode(“GB2312”)，表示将GB2312编码的字符串name转换成Unicode编码
• encode 的作用是将Unicode编码转换成其他编码的字符串，eg name.encode(”GB2312“)，表示将GB2312编码的字符串name转换成GB2312编码

python 编辑文件中字符串是Unicode编码，可以用encode编码成其他的编码字符串

 

输出字符串的bytes格式：
第一种方法：
c=bytes('中',encoding='utf-8')
print(c)


第二种方法：
d='中'.encode()
print(d)
结果：
b'\xe4\xb8\xad'