python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）

　　　打开编辑器就能够启动一个进程，是在内存中的，因此在编辑器编写的内容也都是存放在内存中的，断电后数据就丢失了。于是须要保存在硬盘上，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，咱们编写的py文件（没有执行时），跟编写的其余文件没有什么区别，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，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，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

不一样点：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？

　　计算机想要工做必须通电，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。

5.如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

须要强调的是：

　　unicode：简单粗暴，多有的字符都是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，可变长，优势是节省空间；缺点是转换速度慢，由于每次转换都须要计算出须要多长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 全部程序，最终都要加载到内存，程序保存到硬盘不一样的国家用不一样的编码格式，可是到内存中咱们为了兼容万国（计算机能够运行任何国家的程序缘由在于此），统一且固定使用unicode，
2 这就是为什么内存固定用unicode的缘由，你可能会说兼容万国我能够用utf－8啊，能够，彻底能够正常工做，之因此不用确定是unicode比utf－8更高效啊（uicode固定用2个字节编码
3 ，utf－8则须要计算），可是unicode更浪费空间，没错，这就是用空间换时间的一种作法，而存放到硬盘，或者网络传输，都须要把unicode转成utf－8，
4 由于数据的传输，追求的是稳定，高效，数据量越小数据传输就越靠谱，因而都转成utf－8格式的，而不是unicode。

View Code

7、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做简称存文件

文件从硬盘读到内存的操做简称读文件

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：

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

 

8、 文本编辑器之python解释器

文件test.py以gbk格式保存，内容为：

　　x='林'

不管是

　　python2 test.py

仍是

　　python3 test.py

都会报错（由于python2默认ascii，python3默认utf-8）

除非在文件开头指定#coding:gbk

9、程序的执行

 python3 test.py  或 python2 test.py（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，python2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

 

 10、python2与python3的区别

 

在python2中有两种字符串类型str和unicode

　　在python2中，str就是编码后的结果bytes，因此在Python2中，unicode字符编码的结果就是str/bytes

 

1 #coding:utf-8
2 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
3 
4 print repr(s) #'\xe6\x9e\x97' 三个Bytes,证实确实是utf-8
5 print type(s) #<type 'str'>
6 
7 s.decode('utf-8')
8 # s.encode('utf-8') #报错，s为编码后的结果bytes，因此只能decode

View Code

　　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

1 s=u'林'
2 print repr(s) #u'\u6797'
3 print type(s) #<type 'unicode'>
4 
5 
6 # s.decode('utf-8') #报错，s为unicode，因此只能encode
7 s.encode('utf-8') 

View Code

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python3中也有两种字符串类型str和bytes\

　　str是unicode

1 #coding:utf-8
2 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,
3 
4 #s能够直接encode成任意编码格式
5 s.encode('utf-8')
6 s.encode('gbk')
7 
8 print(type(s)) #<class 'str'>

View Code