ASCLL UNICODE UTF-8 详解

字符编码

字符串编码问题。

因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个 

比特（bit)作为一个字节（byte)，所以，一个字节能表示的最大的整数就是255 (二进制11111111=十进制25 5)，

如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是65535，4个字节可以表示的最大整数是4294967295。

由于计算机是美国人发明的，因此，最早只有127个字母被编码到计算机里，也就是大小写英文字母、数字和一些符 号，

这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122。

但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，

所以，中国制定 了 GB2312编码，用来把中文编进去。

你可以想得到的是，全世界有上百种语言，日本把日文编到Shift_]IS里，韩国把韩文编到Euc-kr里，

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。

Unicode标准也在不断发展，但最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字 节）。

现代操作系统和大多数编程语言都直接支持Unicode。

现在，捋一捋ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码通常是2个字节。

字母A用ASCII编码是十进制的65 ，二进制的 01000001

字符0用ASCII编码是十进制的48 ，二进制的 00110000 ，注意字符^和整数0是不同的

汉字中己经超出了ASCII编码的范围，用Unicode编码是十进制的20013，二进制的01001110 00101101。

你可以猜测，如果把ASCII编码的a用Unicode编码，只需要在前面补0就可以，因此，a的Unicode编码 是 00000009 01000001 。

新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的 话，

用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。

所以，本着节约的精神，又出现了把Unicode编码转化为“可变长编码”的utf-8编码。UTF-8编码把一个Unicode字

符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间：

字符 ASCII Unicode UTF-8

A 01000001 00000000 01000001 01000001 中 x 01001110 00101101 11100100 10111000 10101101

从上面的表格还可以发现，UTF-8编码有一个额外的好处，就是ASCII编码实际上可以被看成是UTF-8编码的一部 分，

所以，大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。

搞清楚了ASCII、Unicode和UTF-8的关系，我们就可以总结一下现在计算机系统通用的字符编码工作方式：

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。

用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unic ode转换为UTF-8保存到文件：

 

所以你看到很多网页的源码上会有类似<meta charset=HUTF-8H />的信息，表7K该网页正是用的UTF-8编码。

Python的字符串

因为Python的诞生比Unicode标准发布的时间还要早，所以最早的Python只支持ASCII编码，普通的字符串’ABr在 Python内部都是ASCII编码的。

Python提供了o「d()和ch「()函数，可以把字母和对应的数字相互转换：

> ord (，A，) 65

> chr (65)

Python在后来添加了对Unicode的支持，以Unicode表示的字符串用u'... 表示，比如:

> print u 中文’ 中文

> u 中’ u’ \u4e2d’

写u中和u'\u4e2cr是一样的，\u后面是十六进制的Unicode码。因此，uw和u、u004：r也是一样的。

两种字符串如何相互转换？字符串’xxx'虽然是ASCII编码，但也可以看成是UTF-8编码，而lTxxx'则只能是Unico

de编码。

把 lTxxx'转换为UTF-8编码的’xxx'用 encode( utf-8)方法：

> u ABC， encode (，utf-8，) ，ABC，

> u 中文， encode (，utf-8，) ’\xe4\xb8\xad\xe6\x96\x87’

英文字符转换后表示的UTF-8的值和Unicode值相等（但占用的存储空间不同），而中文字符转换后1个Unicode字 符将变为3个UTF-8字符，你看到的\xe4就是其中一个字节，因为它的值是228，没有对应的字母可以显示，所以 以十六进制显示字节的数值。len()函数可以返回字符串的长度：

> len(u’ABC’）

> len(’ABC’）

> len (u 中文，)

> len C \xe4\xb8\xad\xe6\x96\x87，)

反过来，把UTF-8编码表7K的字符串_xxx_转换为Unicode字符串u'xxx_用decode( 'utf-8')方法:

>，abc， decode (，utf-8，) u abc’

>，\xe4\xb8\xad\xe6\x96\x87’ decode (，utf-8，) u \u4e2d\u6587’

> print，\xe4\xb8\xad\xe6\x96\x87， decode (，utf-8，) 中文