基础篇 - Python3 编码和转码

    python解释器在加载 .py 文件中的代码时，会对内容进行编码（默认ascill）

ASCII（American Standard Code for Information Interchange，美国标准信息交换代码）是基于拉丁字母的一套电脑编码系统，主要用于显示现代英语和其他西欧语言，其最多只能用 8 位来表示（一个字节），即：2**8 = 256-1，所以，ASCII码最多只能表示 255 个符号。

 

 

    为了处理汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。

    

    GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。

    

    GB2312 支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的 GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

   

     从ASCII、GB2312、GBK 到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。

    

    有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文Windows内码。

 

 

 

    显然ASCII码无法将世界上的各种文字和符号全部表示，所以，就需要新出一种可以代表所有字符和符号的编码，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（统一码、万国码、单一码）是一种在计算机上使用的字符编码。Unicode 是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，规定虽有的字符和符号最少由 16 位来表示（2个字节），即：2 **16 = 65536，

注：此处说的的是最少2个字节，可能更多

UTF-8（可变字符编码），是对Unicode编码的压缩和优化，它不再使用最少使用2个字节，而是将所有的字符和符号进行分类：ascii码中的内容用1个字节保存、欧洲的字符用2个字节保存，东亚的字符用3个字节保存...

所以，python解释器在加载 .py 文件中的代码时，会对内容进行编码（默认ascill），如果是如下代码的话：

报错：ascii码无法表示中文

#!/usr/bin/env python
  
print "你好，世界"

 

改正：应该显示的告诉python解释器，用什么编码来执行源代码，即：

 

#!/usr/bin/env python
# -*- coding: utf-8 -*-
  
print "你好，世界"

注释L:

单行注视：# 被注释内容

多行注释：""" 被注释内容 """

 

打印系统默认编码

总结：Python默认编码是Unicode，Unicode 兼容了GBK和UTF-8 ,但彼此编码格式是不一样的,相互之间转换需要进行解码或编码,如图:

 

 

好,有了以上的基础,我们就可以做出下面这个案例:

注意:解码之前需要显式声明先前的编码格式,编码之前最好显式指定编码格式

案例 2：utf-8 -> Unicode -> GBK：

 

总结：

ASCII码 ,一个字符只占一个字节,(不能存中文)---->GB2312(1980出现,只能存7000多个汉字) -->  GBK18030(1995年,能存2万多个汉字) ---->GBK (Windows操作系统默认字符编码)

 

最后，出现了一种可以代表所有字符和符号的编码：Unicode

    Unicode默认存一个字符都占两个字节,导致文件变大,解决方法:出现了一个Unicode的一个扩展集UTF-8( 可变长字符编码集),所有的英文字符依然按ASCII码的形式存储,所有的中文字符统一占三个字节,必须转码才能转换

 

python2 上默认所有的字符编码都是ASCII码

python3 上默认所有的字符编码都是Unicode.

Unicode 兼容了GBK和UTF-8 ,但彼此编码格式是不一样的,相互之间转换需要进行解码或编码.