python基础快速入门之----------字符编码具体原理

1.内存和硬盘都是用来存储的。

CPU：速度快

硬盘：永久保存

 

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

　　　打开编辑器就可以启动一个进程，是在内存中的，所以在编辑器编写的内容也都是存放在内存中的，断电后数据就丢失了。因而需要保存在硬盘上，点击保存按钮或快捷键，就把内存中的数据保存到了硬盘上。在这一点上，我们编写的py文件（没有执行时），跟编写的其他文件没有什么区别，都只是编写一堆字符而已。

3.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，从硬盘上将test.py的文件内容读入到内存中

　　第三阶段：python解释器执行刚刚加载到内存中的test.py的代码（在该阶段，即执行时，才会识别python的语法，执行到字符串时，会开辟内存空间存放字符串）

总结：python解释器与文本编辑器的异同

相同点：python解释器是解释执行文件内容的，因而python解释器具备读py文件的功能，这一点与文本编辑器一样

不同点：文本编辑器将文件内容读入内存后，是为了显示/编辑，而python解释器将文件内容读入内存后，是为了执行（识别python的语法）

4.什么是编码？

　　计算机想要工作必须通电，高低电平（高电平即二进制数1，低电平即二进制数0），也就是说计算机只认识数字。那么让计算机如何读懂人类的字符呢?

　　这就必须经过一个过程：

　　　　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。

5.以下两个场景涉及到字符编码的问题：

　　1.一个python文件中的内容是由一堆字符组成的（python文件未执行时）

　　2.python中的数据类型字符串是由一串字符组成的（python文件执行时）

6.字符编码的发展史

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

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：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。

于是产生了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（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，对英文字符只用1Bytes表示，对中文字符用3Bytes

需要强调的是：

　　unicode：简单粗暴，多有的字符都是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，可变长，优点是节省空间；缺点是转换速度慢，因为每次转换都需要计算出需要多长Bytes才能够准确表示。

1.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，因而内存应该是越快越好）

2.硬盘中或网络传输用utf-8，保证数据传输的稳定性。

1 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，
2 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
3 ，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，
4 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。
1 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，
2 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
3 ，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，
4 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。

七、字符编码转换　　

unicode------>encode(编码)-------->utf-8

utf-8---------->decode--------->unicode

文件从内存刷到硬盘的操作简称存文件

文件从硬盘读到内存的操作简称读文件

乱码：存文件时就已经乱码  或者  存文件时不乱码而读文件时乱码

总结：

无论是何种编辑器，要防止文件出现乱码（请一定注意，存放一段代码的文件也仅仅只是一个普通文件而已，此处指的是文件没有执行前，我们打开文件时出现的乱码）

核心法则就是，文件以什么编码保存的，就以什么编码方式打开

 接下来介绍一下ASCII编码，Unicode编码及utf-8编码。

ASCII编码

全世界第一台计算机是在美国诞生，诞生之初计算机只能支持英语，也就是说只能支持 符号、字母、数字，不支持：汉语、日语、汉语、泰语等，由于计算机本质上全部都是二进制操作，所以当时做了一张 字符 和 二进制的对照表（ascii编码）。

通过上图可以发现：

  • ascii码表中的256个对应关系，足以支持所有的英文操作了
    1. ascii码规定用8位来表示一个字符。因为每一位有0/1两种可能，8位就可以支持256种可能，即：
    2. 从 0000000、00000001、00000010 ~ 11111111 有256个，ascii就是这些二进制和字符来做的对应关系。

  • 表中没有展示出二进制，按顺序仅分别显示了 十、十六、八进制，如果包含二进制关系的话，分别应该有：

    1. 二进制 十进制
    2. 00000000 0
    3. 00000001 2
    4. ...
    5. 11111111 255

注意：ascii码中的 0 ~ 9 指的不是数字而是字符串"1"、"2"..."9" 与 二进制的对应关系。例如：

  • 获取整数9对应的二进制时，直接通过 十进制和二进制的关系转换，即：1001
  • 获取字符串”9”对应的二进制时，直接通过ascii码去找，即：00111001。

unicode字符集

由于ascii码只能表示256中字符对照关系，无法表示其他国家的文字，所有为了能让计算机支持全世界任意的文字就搞出来了一个unicode（字符集），他为全世界已知语言的所有字符都分配了一个码位（相当于是一个身份证ID），码位本质上也是个二进制。

读到这里，你可能会感觉unicode字符集 和 ascii编码一样，但其实字符集和编码还是有区别，如下：

  • ascii编码，直接是字符和二进制的对照表，此二进制可在计算机中用于 内存计算、硬盘存储、网络传输等。
    1. 字符 二进制
    2. a 01100001（十进制97；十六进制61）
    3. b 01100010（十进制98；十六进制62）
  • unicode字符集，是字符和码位的对应关系，码位本质上也是二进制，此二进制可在计算机中用于内存计算，但一般不会做硬盘存储和网络传输（为什么呢？下面有讲解）。
    1. 字符 码位（ID）
    2. a 00000000 01100001（十进制97；十六进制61）
    3. b 00000000 01100010（十进制98；十六进制62）
    4. 武 01101011 01100110（十进制27494；十六进制6B66）
    5. 갵 10101100 00110101（十进制44085；十六进制AC35）

  • utf-8编码，是对unicode字符集的码位进行转换处理得到的二进制，此二进制可用于 内存计算、硬盘存储、网络传输等。

    1. 字符 码位（ID） utf-8编码（可以对码位进行加工处理）
    2. a 00000000 01100001（十进制97；十六进制61） 01100001
    3. b 00000000 01100010（十进制98；十六进制62） 01100010
    4. 武 01101011 01100110（十进制27494；十六进制6B66） 11100110 10101101 10100110
    5. 갵 10101100 00110101（十进制44085；十六进制AC35） 11101010 10110000 10110101
    7. 注意：这样一来utf-8编码的二级制和字符就生成了一个间接的对照表。

初步了解ascii编码、unicode字符集、utf-8编码关系之后，接下来对每个小点在进行解释。

接下来重点说unicode字符集，我们知道unicode字符集中包含了全世界所有的字符和码位的对应关系，这其中码位至关重要，因为码位必须足以支持全世界的字符。

  • 起初unicode字符集固定使用2个字节来表示码位，即：ucs2。

    1. ucs2用2个字节表示码位，所以码位能表示从 0000000000000000 至 1111111111111111 共 2**16=65525种可能，同时意味着ucs2能表示65535个字符。
    3. 用十六进制表示这个范围的话就是：0000 ~ FFFF。
    5. ucs2中字符和码位的对应关系参见：http://www.columbia.edu/kermit/ucs2.html

  • 后来unicode使用4个字节表示所有字符，即：ucs4。

    1. 因为随着时间的推移，发现的字符越来越多，这65535不够用了。
    2. 所以就有了ucs4，他使用固定4个字节表示码位，码位就可以表示 2**32 = 4294967296 种可能，范围如下：
    3. 二进制表示 00000000 00000000 00000000 00000000 ~ 11111111 11111111 11111111 11111111
    4. 十六进制表示 00000000 ~ ffffffff
    6. ucs4中字符和码位的具体对应关系参见：
    7. https://unicode-table.com/en/#00A5
    8. https://www.unicode.org/charts/

截止2019年5月unicode已收集137929个字符，也就说ucs4还没被占满，如果发现其他的文字还可以继续扩增。

注意：ucs4其实是对ucs2的一个扩展，ucs4默认使用4个字节表示码位而ucs2用2个字节表示码位。 对于ucs2的65535个码位，ucs4会在ucs2表示的码位前加 0，即：ucs2：01101011 01100110 变为 ucs4：00000000 00000000 01101011 01100110； 对于第65535后面的码位，则ucs4在ucs2基础上在进行扩增（图2和图3）。
图1：

图2：

图3：

写在最后，一般情况下用ucs2可以满足常见的文字，但如果想要表示更全/更多的话，肯定选择ucs4，并且现在越来越多的人都开始选择使用ucs4，例如：想要在系统中支持emoji图标，肯定要支持ucs4。

ucs4的优缺点：

  • 缺点：因为都使用4个字节表示码位，同样的字符的码位会更占空间。所以，计算机中再网络传输、硬盘存储时都不会用unicode字符集的码位存储，而是把码位转换（压缩）成utf-8等编码的二进制再进行传输和硬盘存储。
  • 优点：可以表示所有字符并且长度固定4字节，方便内存中进行数据计算（不必担心太占用内存空间，因为内存占用的计算的数据一般不会太大）。

注：网络传输指的是通过网络发送一段文字等消息； 硬盘存储指的是把一些文档等信息保存到硬盘上。

utf-8编码

在上面讲unicode字符集时，有简单提到过：utf-8编码其实就是对unicode字符集的码位进行压缩加工处理得到的，把二进制码位中不必要位去掉。这样一来，utf-8既可以表示所有的字符，又可以进行 内存计算、网络传输、硬盘存储了，所以，这也是为什么utf-8编码可以在全球的广泛的应用。

总感觉utf-8是站在巨人unicode肩膀上功成名就的！！！

utf-8，是一套以 8 位为一个编码单位的可变长编码。会将一个码位编码为 1 到 4 个字节，对于码位进行编码时分为两步：

  • 第一步：根据码位选择转换模板

    1. 码位范围（十六进制） 转换模板
    2. 0000 ~ 007F 0XXXXXXX
    3. 0080 ~ 07FF 110XXXXX 10XXXXXX
    4. 0800 ~ FFFF 1110XXXX 10XXXXXX 10XXXXXX
    5. 10000 ~ 10FFFF 11110XXX 10XXXXXX 10XXXXXX 10XXXXXX
    7. 例如：
    8. "B" 对应的unicode码位为 0042，那么他应该选择的一个模板。
    9. "ǣ" 对应的unicode码位为 01E3，则应该选择第二个模板。
    10. "武" 对应的unicode码位为 6B66，则应该选择第三个模板。
    11. "沛" 对应的unicode码位为 6C9B，则应该选择第三个模板。
    12. "齐" 对应的unicode码位为 9F50，则应该选择第三个模板。
    14. 注意：一般中文都使用第三个模板（3个字节），这也就是平时大家说中文在utf-8中会占3个字节的原因了。
  • 第二步：码位以二进制展示，再根据模板进行转换
    1. 码位拆分： "武"的码位为6B66，则二进制为 0110101101100110
    2. 根据模板转换：
    3. 6 B 6 6
    4. 0110 1011 0110 0110
    5. ----------------------------
    6. 1110XXXX 10XXXXXX 10XXXXXX 使用第三个模板
    7. 11100110 10XXXXXX 10XXXXXX 第一步：取二进制前四位0110填充到模板的第一个字节的xxxx位置
    8. 11100110 10101101 10XXXXXX 第二步：挨着向后取6位101101填充到模板的第二个字节的xxxxxx位置
    9. 11100110 10101101 10100110 第二步：再挨着向后取6位100110填充到模板的第三个字节的xxxxxx位置
    10. 最终，"武"对应的utf-8编码为 11100110 10101101 10100110

除了utf-8之外，其实还有一些其他的 utf-7/utf-16/utf-32 等编码，他们跟utf-8类似，但没有utf-8应用广泛。

posted @ 2022-06-07 21:44  william0709  阅读(156)  评论(0)    收藏  举报