关于python中的字符编码

一 了解字符编码的知识储备

　　1. 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，因此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

             于是须要保存到硬盘上，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，咱们编写一个py文件（没有执行），跟编写其余文件没有任何区别，都只是在编写一堆字符而已。

      2. 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，此时就至关于启动了一个文本编辑器

　　　　第二阶段：python解释器至关于文本编辑器，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　　

　　总结：

1. python解释器是解释执行文件内容的，于是python解释器具有读py文件的功能，这一点与文本编辑器同样
2. 与文本编辑器不同的地方在于，python解释器不只能够读文件内容，还能够执行文件内容

二 什么是字符编码

　　计算机要想工做必须通电,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 

　　编程的目的是让计算机干活，而编程的结果说白了只是一堆字符，也就是说咱们编程最终要实现的是：一堆字符驱动计算机干活

　　因此必须通过一个过程：

　　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

三 字符编码的发展史

阶段一：现代计算机起源于美国，最先诞生也是基于英文考虑的ASCII

　　ASCII:一个Bytes表明一个字符（英文字符/键盘上的全部其余字符），1Bytes=8bit，8bit能够表示0-2**8-1种变化，便可以表示256个字符

　　　　ASCII最初只用了后七位，127个数字，已经彻底可以表明键盘上全部的字符了（英文字符/键盘的全部其余字符）

　　　　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:为了知足中文，中国人定制了GBK

　　GBK:2Bytes表明一个字符

　　为了知足其余国家，各个国家纷纷定制了本身的编码

　　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。

因而产生了unicode，　统一用2Bytes表明一个字符，　2**16-1=65535，可表明6万多个字符，于是兼容万国语言

但对于通篇都是英文的文原本说，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）

因而产生了UTF-8，对英文字符只用1Bytes表示，对中文字符用3Bytes

须要强调的一点是：

unicode：简单粗暴，全部字符都是2Bytes，优势是字符->数字的转换速度快，缺点是占用空间大

utf-8：精准，对不一样的字符用不一样的长度表示，优势是节省空间，缺点是：字符->数字的转换速度慢，由于每次都须要计算出字符须要多长的Bytes才可以准确表示

1. 内存中使用的编码是unicode，用空间换时间（程序都须要加载到内存才能运行，于是内存应该是尽量的保证快）
2. 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，并且I/O应该是尽量地节省带宽，保证数据传输的稳定性。

 

四.字符编码分类

计算机由美国人发明，最先的字符编码为ASCII，只规定了英文字母数字和一些特殊字符与数字的对应关系。

ascii用1个字节（8位二进制）表明一个字符

unicode经常使用2个字节（16位二进制）表明一个字符，生僻字须要用4个字节

若是咱们的文档通篇都是英文，你用unicode会比ascii耗费多一倍的空间，在存储和传输上十分的低效

本着节约的精神，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字符根据不一样的数字大小编码成1-6个字节，经常使用的英文字母被编码成1个字节，汉字一般是3个字节，只有很生僻的字符才会被编码成4-6个字节。若是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	ASCII	Unicode	UTF-8
A	01000001	00000000 01000001	01000001
中	x	01001110 00101101	11100100 10111000 10101101

从上面的表格还能够发现，UTF-8编码有一个额外的好处，就是ASCII编码实际上能够被当作是UTF-8编码的一部分，因此，大量只支持ASCII编码的历史遗留软件能够在UTF-8编码下继续工做。

五 字符编码的使用

5.1 文本编辑器一锅端

 

5.1.2 文本编辑器nodpad++

总结：

不管是何种编辑器，要防止文件出现乱码（请必定注意，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，咱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

而文件编码保存时候使用的编码方式是右下角的编码方式，而解码的时候是使用文档开头申明的编码方式，两种编码不一样的时候很容易出现乱码的状况。

 

5.2 程序的执行

python test.py   （我再强调一遍，执行test.py的第一步，必定是先将文件内容读入到内存中）

 

阶段一：启动python解释器

阶段二：python解释器此时就是一个文本编辑器，负责打开文件test.py,即从硬盘中读取test.py的内容到内存中

此时，python解释器会读取test.py的第一行内容，#coding:utf-8，来决定以什么编码格式来读入内存，这一行就是来设定python解释器这个软件的编码使用的编码格式这个编码，

能够用sys.getdefaultencoding()查看，若是不在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

 

 

 

阶段三：读取已经加载到内存的代码（unicode编码的二进制），而后执行，执行过程当中可能会开辟新的内存空间，好比x="egon"

内存的编码使用unicode，不表明内存中全都是unicode编码的二进制，

在程序执行以前，内存中确实都是unicode编码的二进制,好比从文件中读取了一行x="egon",其中的x，等号，引号，地位都同样，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

可是程序在执行过程当中，会申请内存（与程序代码所存在的内存是俩个空间），能够存听任意编码格式的数据，好比x="egon",会被python解释器识别为字符串，会申请内存空间来存放"hello"，而后让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egon,若是代码换成x="egon".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egon了

针对python3以下图

 

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

 

若是服务端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。

 

5.3 python2与python3的区别

 

5.3.1 在python2中有两种字符串类型str和unicode

str类型

当python解释器执行到产生字符串的代码时（例如s='林'），会申请新的内存地址，而后将'林'encode成文件开头指定的编码格式，这已是encode以后的结果了，因此s只能decode

1 #_*_coding:gbk_*_
2 #!/usr/bin/env python
3 
4 x='林'
5 # print x.encode('gbk') #报错
6 print x.decode('gbk') #结果：林

 

因此很重要的一点是：

在python2中，str就是编码后的结果bytes，str=bytes,因此在python2中，unicode字符编码的结果是str/bytes

 

#coding:utf-8
s='林' #在执行时,'林'会被以conding:utf-8的形式保存到新的内存空间中

print repr(s) #'\xe6\x9e\x97' 三个Bytes,证实确实是utf-8
print type(s) #<type 'str'>

s.decode('utf-8')
# s.encode('utf-8') #报错，s为编码后的结果bytes，因此只能decode

 

unicode类型

当python解释器执行到产生字符串的代码时（例如s=u'林'），会申请新的内存地址，而后将'林'以unicode的格式存放到新的内存空间中，因此s只能encode，不能decode

s=u'林'
print repr(s) #u'\u6797'
print type(s) #<type 'unicode'>


# s.decode('utf-8') #报错，s为unicode，因此只能encode
s.encode('utf-8') 

打印到终端

对于print须要特别说明的是：

当程序执行时，好比

x='林'

print(x) #这一步是将x指向的那块新的内存空间（非代码所在的内存空间）中的内存，打印到终端，而终端仍然是运行于内存中的，因此这打印能够理解为从内存打印到内存，即内存->内存，unicode->unicode

 

对于unicode格式的数据来讲，不管怎么打印，都不会乱码

python3中的字符串与python2中的u'字符串'，都是unicode，因此不管如何打印都不会乱码

在pycharm中

在windows终端

 

 

可是在python2中存在另一种非unicode的字符串，此时，print x，会按照终端的编码执行x.decode('终端编码')，变成unicode后，再打印，此时终端编码若与文件开头指定的编码不一致，乱码就产生了

在pycharm中（终端编码为utf-8，文件编码为utf-8，不会乱码）

 

在windows终端（终端编码为gbk，文件编码为utf-8，乱码产生）

 

 

 

思考题：

分别验证在pycharm中和cmd中下述的打印结果

#coding:utf-8
s=u'林' #当程序执行时，'林'会被以unicode形式保存新的内存空间中


#s指向的是unicode，于是能够编码成任意格式，都不会报encode错误
s1=s.encode('utf-8')
s2=s.encode('gbk')
print s1 #打印正常否？
print s2 #打印正常否


print repr(s) #u'\u6797'
print repr(s1) #'\xe6\x9e\x97' 编码一个汉字utf-8用3Bytes
print repr(s2) #'\xc1\xd6' 编码一个汉字gbk用2Bytes

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

 

5.3.2 在python3中也有两种字符串类型str和bytes

str是unicode

#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能够直接encode成任意编码格式
s.encode('utf-8')
s.encode('gbk')

print(type(s)) #<class 'str'>

 

bytes是bytes

#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能够直接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'>