Python有关Unicode UTF-8 GBK编码问题详解

Python有关Unicode UTF-8 GBK编码问题详解

1.统一码（Unicode）

Unicode也叫万国码、单一码，是计算机科学领域里的一项业界标准，包括字符集、编码方案等。对于世界上所有的语言文字再unicode中都可以查看到。【汉】字的编码解释官网https://www.unicode.org/cgi-bin/GetUnihanData.pl?codepoint=6C49

unicode编码就是为了统一世界上的编码，有一个统一的规范。但是它还存在一些问题。

Unicode的问题
需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

比如，汉字“严”的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。

这里就有两个严重的问题

• 第一个：如何才能区别unicode和ascii？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？
• 第二个：我们已经知道，英文字母只用一个字节表示就够了，如果unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

它们造成的结果是：

1. 出现了unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示unicode。
2. unicode在很长一段时间内无法推广，直到互联网的出现。

2.UTF-8编码

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32，不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8的编码规则很简单，只有二条：

1. 对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

2. 对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

下表总结了编码规则，字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------±--------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
Python代码举例：

a = '\u6c49' # 汉的unicode编码
print(a)
a = '汉'
print("汉字utf8格式：",a.encode('utf8'))
print('汉字unicode格式：',a.encode('unicode_escape'))
print('汉字gbk格式：',a.encode('gbk'))
print('汉字gb2312格式：',a.encode('gb2312'))
# 输出结果
汉
汉字utf8格式： b'\xe6\xb1\x89'
汉字unicode格式： b'\\u6c49'
汉字gbk格式： b'\xba\xba'
汉字gb2312格式： b'\xba\xba'

可以看到以上结果，汉字的汉通过print打印时用的是unicode编码，存储时使用utf8,也即是我们保存文件时常用的编码

with open('xxx.txt','w',encoding='utf-8') as f:
    f.write(xxx)

打开的时候也要指定文件编码

with open(file_path, encoding='utf-8') as f:
    f.read()

当使用gbk编码保存的文件使用utf8打开时会报错,使用gbk打开即可

with open(r'gbk.txt','r',encoding='utf8') as f:
    print(f.read())
    
(result, consumed) = self._buffer_decode(data, self.errors, final)
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd5 in position 0: invalid continuation byte

总结

1. UNICODE是一个符号集合,对全世界的语言都对应一个符号编码
2. UTF-8是UNICODE在计算机中存储时的具体体现，是存储方案
3. UTF-16同理
4. UTF-32同理
5. GB 2312 或 GB 2312-80 是一个简体中文字符集的中国国家标准，全称为《信息交换用汉字编码字符集·基本集》，又稱為GB0，由中国国家标准总局发布，1981年5月1日实施。
6. GBK: 汉字国标扩展码,基本上采用了原来GB2312-80所有的汉字及码位，并涵盖了原Unicode中所有的汉字20902，总共收录了883个符号， 21003个汉字及提供了1894个造字码位。

参考链接