轉(zhuǎn)自https://www.cnblogs.com/vipchenwei/p/6993788.html

一、了解字符編碼的知識儲備

1. 文本編輯器存取文件的原理（nodepad++，pycharm，word）

打開編輯器就打開了啟動了一個進程，是在內(nèi)存中的，所以在編輯器編寫的內(nèi)容也都是存放與內(nèi)存中的，斷電后數(shù)據(jù)丟失，因而需要保存到硬盤上，點擊保存按鈕，就從內(nèi)存中把數(shù)據(jù)刷到了硬盤上。在這一點上，我們編寫一個py文件（沒有執(zhí)行），跟編寫其他文件沒有任何區(qū)別，都只是在編寫一堆字符而已。

即:在沒有點擊保存時,我們所寫的內(nèi)容都是寫入內(nèi)存。注意這一點，很重要！！當我們點擊保存，內(nèi)容才被刷到硬盤。

上面做了兩件事：寫內(nèi)容到內(nèi)存,從內(nèi)存將內(nèi)存刷到硬盤。這是兩個過程。

2. python解釋器執(zhí)行py文件的原理 ，例如python test.py

第一階段：python解釋器啟動，此時就相當于啟動了一個文本編輯器

第二階段：python解釋器相當于文本編輯器，去打開test.py文件，從硬盤上將test.py的文件內(nèi)容讀入到內(nèi)存中

第三階段：python解釋器解釋執(zhí)行剛剛加載到內(nèi)存中test.py的代碼

python解釋器執(zhí)行py文件分為兩個步驟:1.將文件讀到內(nèi)存,2.解釋執(zhí)行內(nèi)容。

二、字符編碼簡介

要搞清楚字符編碼，首先要解決的問題是：什么是字符編碼？

我們都知道，計算機要想工作必須通電,也就是說‘電’驅(qū)使計算機干活,而‘電’的特性，就是高低電平(高低平即二進制數(shù)1,低電平即二進制數(shù)0),也就是說計算機只認識數(shù)字(010101).如果我們想保存數(shù)據(jù),首先得將我們的數(shù)據(jù)進行一些處理，最終得轉(zhuǎn)換成010101才能讓計算機識別。

所以必須經(jīng)過一個過程：

字符--------（翻譯過程）------->數(shù)字

這個過程實際就是一個字符如何對應一個特定數(shù)字的標準，這個標準稱之為字符編碼。

那么問題就來了？作為一種編碼方案，還得解決兩個問題:

a.字節(jié)是怎么分組的，如8 bits或16 bits一組，這也被稱作編碼單元。
b.編碼單元和字符之間的映射關(guān)系。例如，在ASCII碼中，十進制65映射到字母A上。

ASCII碼是上個世紀最流行的編碼體系之一，至少在西方是這樣。下圖顯示了ASCII碼中編碼單元是怎么映射到字符上的。

image

三、字符編碼的發(fā)展史

階段一：現(xiàn)代計算機起源于美國，最早誕生也是基于英文考慮的ASCII

隨著計算機越來越流行，廠商之間的競爭更加激烈，在不同的計算機體系間轉(zhuǎn)換數(shù)據(jù)變得十分蛋疼，人們厭煩了這種自定義造成的混亂。最終，計算機制造商一起制定了一個標準的方法來描述字符。他們定義使用一個字節(jié)的低7位來表示字符，并且制作了如上圖所示的對照表來映射七個比特的值到一個字符上。例如，字母A是65，c是99，~是126等等， ASCII碼就這樣誕生了。原始的ASCII標準定義了從0到127 的字符，這樣正好能用七個比特表示。

為什么選擇了7個比特而不是8個來表示一個字符呢？我并不關(guān)心。但是一個字節(jié)是8個比特，這意味著1個比特并沒有被使用，也就是從128到255的編碼并沒有被制定ASCII標準的人所規(guī)定，這些美國人對世界的其它地方一無所知甚至完全不關(guān)心。其它國家的人趁這個機會開始使用128到255范圍內(nèi)的編碼來表達自己語言中的字符。例如，144在阿拉伯人的ASCII碼中是?，而在俄羅斯的ASCII碼中是?。ASCII碼的問題在于盡管所有人都在0-127號字符的使用上達成了一致，但對于128-255號字符卻有很多很多不同的解釋。你必須告訴計算機使用哪種風格的ASCII碼才能正確顯示128-255號的字符。

總結(jié)：ASCII，一個Bytes代表一個字符（英文字符/鍵盤上的所有其他字符），1Bytes=8bit，8bit可以表示0-2**8-1種變化，即可以表示256個字符，ASCII最初只用了后七位，127個數(shù)字，已經(jīng)完全能夠代表鍵盤上所有的字符了（英文字符/鍵盤的所有其他字符），后來為了將拉丁文也編碼進了ASCII表，將最高位也占用了。

階段二:為了滿足中文，中國人定制了GBK

GBK:2Bytes代表一個字符；為了滿足其他國家，各個國家紛紛定制了自己的編碼。日本把日文編到Shift_JIS里，韓國把韓文編到Euc-kr里

階段三：萬國碼Unicode編碼

后來，有人開始覺得太多編碼導致世界變得過于復雜了，讓人腦袋疼，于是大家坐在一起拍腦袋想出來一個方法：所有語言的字符都用同一種字符集來表示，這就是Unicode。

Unicode統(tǒng)一用2Bytes代表一個字符，2**16-1=65535，可代表6萬多個字符，因而兼容萬國語言.但對于通篇都是英文的文本來說，這種編碼方式無疑是多了一倍的存儲空間（英文字母只需要一個字節(jié)就足夠,用兩個字節(jié)來表示,無疑是浪費空間）.于是產(chǎn)生了UTF-8，對英文字符只用1Bytes表示，對中文字符用3Bytes.UTF-8是一個非常驚艷的概念，它漂亮的實現(xiàn)了對ASCII碼的向后兼容，以保證Unicode可以被大眾接受。

在UTF-8中，0-127號的字符用1個字節(jié)來表示，使用和US-ASCII相同的編碼。這意味著1980年代寫的文檔用UTF-8打開一點問題都沒有。只有128號及以上的字符才用2個，3個或者4個字節(jié)來表示。因此，UTF-8被稱作可變長度編碼。于是下面字節(jié)流如下：

0100100001000101010011000100110001001111

這個字節(jié)流在ASCII和UTF-8中表示相同的字符：HELLO

至于其他的UTF-16，這里就不再敘述了。

總結(jié)一點：unicode：簡單粗暴，所有字符都是2Bytes，優(yōu)點是字符----->數(shù)字的轉(zhuǎn)換速度快，缺點是占用空間大。

utf-8：精準，對不同的字符用不同的長度表示，優(yōu)點是節(jié)省空間，缺點是：字符->數(shù)字的轉(zhuǎn)換速度慢，因為每次都需要計算出字符需要多長的Bytes才能夠準確表示。

因此，內(nèi)存中使用的編碼是unicode，用空間換時間（程序都需要加載到內(nèi)存才能運行，因而內(nèi)存應該是盡可能的保證快）；硬盤中或者網(wǎng)絡傳輸用utf-8，網(wǎng)絡I/O延遲或磁盤I/O延遲要遠大與utf-8的轉(zhuǎn)換延遲，而且I/O應該是盡可能地節(jié)省帶寬，保證數(shù)據(jù)傳輸?shù)姆€(wěn)定性。

所有程序，最終都要加載到內(nèi)存，程序保存到硬盤不同的國家用不同的編碼格式，但是到內(nèi)存中我們?yōu)榱思嫒萑f國（計算機可以運行任何國家的程序原因在于此），統(tǒng)一且固定使用unicode，這就是為何內(nèi)存固定用unicode的原因，你可能會說兼容萬國我可以用utf－8啊，可以，完全可以正常工作，之所以不用肯定是unicode比utf－8更高效啊（uicode固定用2個字節(jié)編碼，utf－8則需要計算），但是unicode更浪費空間，沒錯，這就是用空間換時間的一種做法，而存放到硬盤，或者網(wǎng)絡傳輸，都需要把unicode轉(zhuǎn)成utf－8，因為數(shù)據(jù)的傳輸，追求的是穩(wěn)定，高效，數(shù)據(jù)量越小數(shù)據(jù)傳輸就越靠譜，于是都轉(zhuǎn)成utf－8格式的，而不是unicode。

四、字符編碼的使用

image

不管是哪種類型的文件，只要記住一點：文件以什么編碼保存的，就以什么編碼方式打開.

下面我們來看看python中關(guān)于編碼出現(xiàn)的問題:

如果不在python文件指定頭信息＃-*-coding:utf-8-*-,那就使用默認的python2中默認使用ascii，python3中默認使用utf-8

讀取已經(jīng)加載到內(nèi)存的代碼（unicode編碼的二進制），然后執(zhí)行，執(zhí)行過程中可能會開辟新的內(nèi)存空間，比如x="hello"

內(nèi)存的編碼使用unicode，不代表內(nèi)存中全都是unicode編碼的二進制，在程序執(zhí)行之前，內(nèi)存中確實都是unicode編碼的二進制,比如從文件中讀取了一行x="hello",其中的x，等號，引號，地位都一樣，都是普通字符而已，都是以unicode編碼的二進制形式存放與內(nèi)存中的.但是程序在執(zhí)行過程中，會申請內(nèi)存（與程序代碼所存在的內(nèi)存是倆個空間），可以存放任意編碼格式的數(shù)據(jù)，比如x="hello",會被python解釋器識別為字符串，會申請內(nèi)存空間來存放"hello"，然后讓x指向該內(nèi)存地址，此時新申請的該內(nèi)存地址保存也是unicode編碼的hello,如果代碼換成x="hello".encode('utf-8'),那么新申請的內(nèi)存空間里存放的就是utf-8編碼的字符串hello了.

image

瀏覽網(wǎng)頁的時候，服務器會把動態(tài)生成的Unicode內(nèi)容轉(zhuǎn)換為UTF-8再傳輸?shù)綖g覽器

image

如果服務端encode的編碼格式是utf-8， 客戶端內(nèi)存中收到的也是utf-8編碼的二進制

五、Python2與python3編碼區(qū)別

1.在python2中有兩種字符串類型str和unicode

str類型

當python解釋器執(zhí)行到產(chǎn)生字符串的代碼時（例如s='林'），會申請新的內(nèi)存地址，然后將'林'編碼成文件開頭指定的編碼格式，這已經(jīng)是encode之后的結(jié)果了，所以s只能decode。再次encode就會報錯。

#_*_coding:gbk_*_
#!/usr/bin/env python

x='林'
# print x.encode('gbk') #報錯
print x.decode('gbk') #結(jié)果：林

在python2中，str就是編碼后的結(jié)果bytes，str=bytes,所以在python2中，unicode字符編碼的結(jié)果是str/bytes。

#coding:utf-8
s='林' #在執(zhí)行時,'林'會被以conding:utf-8的形式保存到新的內(nèi)存空間中

print repr(s) #'\xe6\x9e\x97' 三個Bytes,證明確實是utf-8
print type(s) #<type 'str'>

s.decode('utf-8')
# s.encode('utf-8') #報錯，s為編碼后的結(jié)果bytes，所以只能decode

Unicode類型

當python解釋器執(zhí)行到產(chǎn)生字符串的代碼時（例如s=u'林'），會申請新的內(nèi)存地址，然后將'林'以unicode的格式存放到新的內(nèi)存空間中，所以s只能encode，不能decode.

s=u'林'
print repr(s) #u'\u6797'
print type(s) #<type 'unicode'>


# s.decode('utf-8') #報錯，s為unicode，所以只能encode
s.encode('utf-8') 

特別說明:

當數(shù)據(jù)要打印到終端時，要注意一些問題.

當程序執(zhí)行時，比如:x='林';print(x) #這一步是將x指向的那塊新的內(nèi)存空間（非代碼所在的內(nèi)存空間）中的內(nèi)存，打印到終端，而終端仍然是運行于內(nèi)存中的，所以這打印可以理解為從內(nèi)存打印到內(nèi)存，即內(nèi)存->內(nèi)存，unicode->unicode.對于unicode格式的數(shù)據(jù)來說，無論怎么打印，都不會亂碼.python3中的字符串與python2中的u'字符串'，都是unicode，所以無論如何打印都不會亂碼.在windows終端（終端編碼為gbk，文件編碼為utf-8，亂碼產(chǎn)生）

#分別驗證在pycharm中和cmd中下述的打印結(jié)果
s=u'林' #當程序執(zhí)行時，'林'會被以unicode形式保存新的內(nèi)存空間中


#s指向的是unicode，因而可以編碼成任意格式，都不會報encode錯誤
s1=s.encode('utf-8')
s2=s.encode('gbk')
print s1 #打印正常否？
print s2 #打印正常否


print repr(s) #u'\u6797'
print repr(s1) #'\xe6\x9e\x97' 編碼一個漢字utf-8用3Bytes
print repr(s2) #'\xc1\xd6' 編碼一個漢字gbk用2Bytes

print type(s) #<type 'unicode'>
print type(s1) #<type 'str'>
print type(s2) #<type 'str'>

2. 在python3中也有兩種字符串類型str和bytes

str類型變?yōu)閡nicode類型

#coding:utf-8
s='林' #當程序執(zhí)行時，無需加u，'林'也會被以unicode形式保存新的內(nèi)存空間中,

#s可以直接encode成任意編碼格式
s.encode('utf-8')
s.encode('gbk')

print(type(s)) #<class 'str'>

bytes類型

#coding:utf-8
s='林' #當程序執(zhí)行時，無需加u，'林'也會被以unicode形式保存新的內(nèi)存空間中,

#s可以直接encode成任意編碼格式
s1=s.encode('utf-8')
s2=s.encode('gbk')

print(s) #林
print(s1) #b'\xe6\x9e\x97' 在python3中，是什么就打印什么
print(s2) #b'\xc1\xd6' 同上

print(type(s)) #<class 'str'>
print(type(s1)) #<class 'bytes'>
print(type(s2)) #<class 'bytes'>

補充：decode和encode函數(shù)

image.png

decode()：將指定的編碼格式字符串轉(zhuǎn)換成unicode
encode()：將unicode字符串編碼成指定的編碼格式
unicode為橋梁，utf-8和gbk互轉(zhuǎn)需要經(jīng)過unicode這個翻譯，不然他們二者是無法直接溝通。