【python基础】字符编码

摘自廖雪峰老师的博客

发展历史

在计算机中,想要处理文本(字符串),需要先转为数字。

美国人:将127个字符编码到1个字节中,ASCII码;

中国人:GB2312;

日本人:Shift_JIS;

大一统:为了解决多语言混合文本中的乱码问题,诞生Unicode,通常为2字节;

节约精神:英文居多的文本中,全用Unicode浪费空间,诞生了“可变长编码”UTF-8,把英文字母编为1个字节,把汉字编为3个字节,生僻汉字编为4-6字节;

计算机系统通用的“字符编码方式”

1.在内存中,为了保证正确性,统一使用Unicode;

2.在保存到硬盘中时,为了节省空间,统一使用UTF-8;

3.在传输时候,为了大小合理便于传输,也统一使用UTF-8;

【python基础】字符编码_第1张图片 用记事本编辑时,从文件读取的UTF-8字符转换为Unicode字符到内存里;编辑完成后,保存时再把Unicode转换为UTF-8保存到文件:
【python基础】字符编码_第2张图片 浏览网页的时候,服务器会把动态生成的Unicode内容(正确性)转换为UTF-8(节约性)再传输到浏览器:

“字符串编码问题”

在内存中,字符串以Unicode格式保存,一个字符占用若干个字节;

如果需要保存到磁盘或者在网络上传输,需要转为字节;

字节中一个字符占用一个字节;

>>> 'ABC'.encode('ascii')  # 纯英文的字符串可以用ascii编码为bytes
b'ABC'
>>> '中文'.encode('utf-8')  # 含中文的字符串可以用utf-8编码为bytes
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中文'.encode('ascii')  # 含中文的字符串无法用ascii编码为bytes,因为中文编码的范围超过了ascii编码的范围
Traceback (most recent call last):
  File "", line 1, in 
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

从磁盘或网络上读到的是字节流,即bytes。把bytes变str的方法:

>>> b'ABC'.decode('ascii')
'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'

 

你可能感兴趣的:(python基础)