1.3.0 Python 字符编码

点击跳转笔记总目录

1.内存和硬盘都是用来存储的。

内存：速度快,临时存放
硬盘：速度慢,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。

七、字符编码转换

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

在这里插入图片描述

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

八、 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'
无论是
　　python2 test.py
还是
　　python3 test.py
都会报错（因为python2默认ascii，python3默认utf-8）
除非在文件开头指定#coding:gbk

九、程序的执行

python3 test.py 或 python2 test.py（执行test.py的第一步，一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），然后执行，执行过程中可能会开辟新的内存空间，比如x="egon"
内存的编码使用unicode，不代表内存中全都是unicode编码的二进制，
在程序执行之前，内存中确实都是unicode编码的二进制,比如从文件中读取了一行x="egon",其中的x，等号，引号，地位都一样，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
但是程序在执行过程中，会申请内存（与程序代码所存在的内存是俩个空间），可以存放任意编码格式的数据，比如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"，然后让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,如果代码换成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

十、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，所以在Python2中，unicode字符编码的结果就是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,证明确实是utf-8
print type(s) #
s.decode('utf-8')
## s.encode('utf-8') #报错，s为编码后的结果bytes，所以只能decode

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，然后将'林'以unicode的格式存放到新的内存空间中，所以s只能encode，不能decode

s=u'林'
print repr(s) #u'\u6797'
print type(s) #
## s.decode('utf-8') #报错，s为unicode，所以只能encode
s.encode('utf-8')