python3中編碼與解碼的問(wèn)題

ASCII 、Unicode、UTF-8

ASCII

　　我們知道，在計(jì)算機(jī)內(nèi)部，所有的信息最終都表示為一個(gè)二進(jìn)制的字符串。每一個(gè)二進(jìn)制位（bit）有0和1兩種狀態(tài)，因此八個(gè)二進(jìn)制位就可以組合出256種狀態(tài)，這被稱為一個(gè)字節(jié)（byte）。也就是說(shuō)，一個(gè)字節(jié)一共可以用來(lái)表示256種不同的狀態(tài)，每一個(gè)狀態(tài)對(duì)應(yīng)一個(gè)符號(hào)，就是256個(gè)符號(hào)，從0000000到11111111。

上個(gè)世紀(jì)60年代，美國(guó)制定了一套字符編碼，對(duì)英語(yǔ)字符與二進(jìn)制位之間的關(guān)系，做了統(tǒng)一規(guī)定。這被稱為ASCII碼，一直沿用至今。

ASCII碼一共規(guī)定了128個(gè)字符的編碼，比如空格“SPACE”是32（二進(jìn)制00100000），大寫(xiě)的字母A是65（二進(jìn)制01000001）。這128個(gè)符號(hào)（包括32個(gè)不能打印出來(lái)的控制符號(hào)），只占用了一個(gè)字節(jié)的后面7位，最前面的1位統(tǒng)一規(guī)定為0。

　　英語(yǔ)用128個(gè)符號(hào)編碼就夠了，但是用來(lái)表示其他語(yǔ)言，128個(gè)符號(hào)是不夠的。比如，在法語(yǔ)中，字母上方有注音符號(hào)，它就無(wú)法用ASCII碼表示。于是，一些歐洲國(guó)家就決定，利用字節(jié)中閑置的最高位編入新的符號(hào)。比如，法語(yǔ)中的é的編碼為130（二進(jìn)制10000010）。這樣一來(lái)，這些歐洲國(guó)家使用的編碼體系，可以表示最多256個(gè)符號(hào)。

但是，這里又出現(xiàn)了新的問(wèn)題。不同的國(guó)家有不同的字母，因此，哪怕它們都使用256個(gè)符號(hào)的編碼方式，代表的字母卻不一樣。比如，130在法語(yǔ)編碼中代表了é，在希伯來(lái)語(yǔ)編碼中卻代表了字母Gimel (?)，在俄語(yǔ)編碼中又會(huì)代表另一個(gè)符號(hào)。但是不管怎樣，所有這些編碼方式中，0—127表示的符號(hào)是一樣的，不一樣的只是128—255的這一段。

至于亞洲國(guó)家的文字，使用的符號(hào)就更多了，漢字就多達(dá)10萬(wàn)左右。一個(gè)字節(jié)只能表示256種符號(hào)，肯定是不夠的，就必須使用多個(gè)字節(jié)表達(dá)一個(gè)符號(hào)。比如，簡(jiǎn)體中文常見(jiàn)的編碼方式是GB2312，使用兩個(gè)字節(jié)表示一個(gè)漢字，所以理論上最多可以表示256x256=65536個(gè)符號(hào)。

Unicode

　　世界上存在著多種編碼方式，同一個(gè)二進(jìn)制數(shù)字可以被解釋成不同的符號(hào)。因此，要想打開(kāi)一個(gè)文本文件，就必須知道它的編碼方式，否則用錯(cuò)誤的編碼方式解讀，就會(huì)出現(xiàn)亂碼。為什么電子郵件常常出現(xiàn)亂碼？就是因?yàn)榘l(fā)信人和收信人使用的編碼方式不一樣。

可以想象，如果有一種編碼，將世界上所有的符號(hào)都納入其中。每一個(gè)符號(hào)都給予一個(gè)獨(dú)一無(wú)二的編碼，那么亂碼問(wèn)題就會(huì)消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號(hào)的編碼。

Unicode當(dāng)然是一個(gè)很大的集合，現(xiàn)在的規(guī)模可以容納100多萬(wàn)個(gè)符號(hào)。每個(gè)符號(hào)的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語(yǔ)的大寫(xiě)字母A，U+4E25表示漢字“嚴(yán)”。具體的符號(hào)對(duì)應(yīng)表，可以查詢unicode.org，或者專門(mén)的漢字對(duì)應(yīng)表。

　　需要注意的是，Unicode只是一個(gè)符號(hào)集，它只規(guī)定了符號(hào)的二進(jìn)制代碼，卻沒(méi)有規(guī)定這個(gè)二進(jìn)制代碼應(yīng)該如何存儲(chǔ)。

比如，漢字“嚴(yán)”的unicode是十六進(jìn)制數(shù)4E25，轉(zhuǎn)換成二進(jìn)制數(shù)足足有15位（100111000100101），也就是說(shuō)這個(gè)符號(hào)的表示至少需要2個(gè)字節(jié)。表示其他更大的符號(hào)，可能需要3個(gè)字節(jié)或者4個(gè)字節(jié)，甚至更多。

這里就有兩個(gè)嚴(yán)重的問(wèn)題，第一個(gè)問(wèn)題是，如何才能區(qū)別unicode和ascii？計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào)，而不是分別表示三個(gè)符號(hào)呢？第二個(gè)問(wèn)題是，我們已經(jīng)知道，英文字母只用一個(gè)字節(jié)表示就夠了，如果unicode統(tǒng)一規(guī)定，每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示，那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是0，這對(duì)于存儲(chǔ)來(lái)說(shuō)是極大的浪費(fèi)，文本文件的大小會(huì)因此大出二三倍，這是無(wú)法接受的。

它們?cè)斐傻慕Y(jié)果是：1）出現(xiàn)了unicode的多種存儲(chǔ)方式，也就是說(shuō)有許多種不同的二進(jìn)制格式，可以用來(lái)表示unicode。2）unicode在很長(zhǎng)一段時(shí)間內(nèi)無(wú)法推廣，直到互聯(lián)網(wǎng)的出現(xiàn)。

UTF-8

　　互聯(lián)網(wǎng)的普及，強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種unicode的實(shí)現(xiàn)方式。其他實(shí)現(xiàn)方式還包括UTF-16和UTF-32，不過(guò)在互聯(lián)網(wǎng)上基本不用。重復(fù)一遍，這里的關(guān)系是，UTF-8是Unicode的實(shí)現(xiàn)方式之一。

UTF-8最大的一個(gè)特點(diǎn)，就是它是一種變長(zhǎng)的編碼方式。它可以使用1~4個(gè)字節(jié)表示一個(gè)符號(hào)，根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度。

UTF-8的編碼規(guī)則很簡(jiǎn)單，只有二條：

1）對(duì)于單字節(jié)的符號(hào)，字節(jié)的第一位設(shè)為0，后面7位為這個(gè)符號(hào)的unicode碼。因此對(duì)于英語(yǔ)字母，UTF-8編碼和ASCII碼是相同的。

2）對(duì)于n字節(jié)的符號(hào)（n>1），第一個(gè)字節(jié)的前n位都設(shè)為1，第n+1位設(shè)為0，后面字節(jié)的前兩位一律設(shè)為10。剩下的沒(méi)有提及的二進(jìn)制位，全部為這個(gè)符號(hào)的unicode碼。

下表總結(jié)了編碼規(guī)則，字母x表示可用編碼的位。

            Unicode符號(hào)范圍 | UTF-8編碼方式
(十六進(jìn)制) | （二進(jìn)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

下面，還是以漢字“嚴(yán)”為例，演示如何實(shí)現(xiàn)UTF-8編碼。

已知“嚴(yán)”的unicode是4E25（100111000100101），根據(jù)上表，可以發(fā)現(xiàn)4E25處在第三行的范圍內(nèi)（0000 0800-0000 FFFF），因此“嚴(yán)”的UTF-8編碼需要三個(gè)字節(jié)，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，從“嚴(yán)”的最后一個(gè)二進(jìn)制位開(kāi)始，依次從后向前填入格式中的x，多出的位補(bǔ)0。這樣就得到了，“嚴(yán)”的UTF-8編碼是“11100100 10111000 10100101”，轉(zhuǎn)換成十六進(jìn)制就是E4B8A5。

python3中的編碼與解碼

前言

Python3 最重要的一項(xiàng)改進(jìn)之一就是解決了 Python2 中字符串與字符編碼遺留下來(lái)的這個(gè)大坑。

            
              使用 ASCII 碼作為默認(rèn)編碼方式，對(duì)中文處理很不友好。
把字符串的牽強(qiáng)地分為 unicode 和 str 兩種類型，誤導(dǎo)開(kāi)發(fā)者

Python3 把系統(tǒng)默認(rèn)編碼設(shè)置為 UTF-8

文本字符和二進(jìn)制數(shù)據(jù)區(qū)分得更清晰，分別用 str 和 bytes 表示。文本字符全部用 str 類型表示，str 能表示 Unicode 字符集中所有字符，而二進(jìn)制字節(jié)數(shù)據(jù)用一種全新的數(shù)據(jù)類型，用 bytes 來(lái)表示。

str與bytes

str

            str1 = 
            
              "
            
            
              a
            
            
              "
            
            
              print
            
            
              (type(str1),str1)

str2 
            
            = 
            
              "
            
            
              一
            
            
              "
            
            
              print
            
            (type(str2),str2)

結(jié)果：

bytes

            Python3 中，在字符引號(hào)前加‘b’，明確表示這是一個(gè) bytes 類型的對(duì)象，實(shí)際上它就是一組二進(jìn)制字節(jié)序列組成的數(shù)據(jù)，bytes 類型可以是 ASCII范圍內(nèi)的字符和其它十六進(jìn)制形式的字符數(shù)據(jù)，但不能用中文等非ASCII字符表示。

            b1 = b
            
              "
            
            
              a
            
            
              "
            
            
              print
            
            
              (type(b1),b1)

b2 
            
            = b
            
              '
            
            
              \xe7\xa6\x85
            
            
              '
            
            
              print
            
            (type(b2),b2)

結(jié)果：

            <
            
              class
            
            
              '
            
            
              bytes
            
            
              '
            
            > b
            
              '
            
            
              a
            
            
              '
            
            
<
            
              class
            
            
              '
            
            
              bytes
            
            
              '
            
            > b
            
              '
            
            
              \xe7\xa6\x85
            
            
              '

bytes字符串的組成形式，必須是十六進(jìn)制數(shù)，或者ASCII字符。

python2 與 python3 字節(jié)與字符的對(duì)應(yīng)關(guān)系：

PYTHON2	PYTHON3	表現(xiàn)	轉(zhuǎn)換	作用
str	bytes	字節(jié)	encode	存儲(chǔ)
unicode	str	字符	decode	顯示

?

encode 與 decode

str 與 bytes 之間的轉(zhuǎn)換可以用 encode 和從decode 方法。

encode 負(fù)責(zé)字符到字節(jié)的編碼轉(zhuǎn)換。默認(rèn)使用 UTF-8 編碼準(zhǔn)換。

            s1 = 
            
              "
            
            
              python編碼與解碼
            
            
              "
            
            
              
res 
            
            =
            
               s1.encode()

            
            
              print
            
            
              (res)
res 
            
            = s1.encode(
            
              "
            
            
              gbk
            
            
              "
            
            
              )

            
            
              print
            
            (res)

結(jié)果：

            b
            
              '
            
            
              python\xe7\xbc\x96\xe7\xa0\x81\xe4\xb8\x8e\xe8\xa7\xa3\xe7\xa0\x81
            
            
              '
            
            
              
b
            
            
              '
            
            
              python\xb1\xe0\xc2\xeb\xd3\xeb\xbd\xe2\xc2\xeb
            
            
              '

decode 負(fù)責(zé)字節(jié)到字符的解碼轉(zhuǎn)換，通用使用 UTF-8 編碼格式進(jìn)行轉(zhuǎn)換。

            
              print
            
            (b
            
              '
            
            
              python\xe7\xbc\x96\xe7\xa0\x81\xe4\xb8\x8e\xe8\xa7\xa3\xe7\xa0\x81
            
            
              '
            
            
              .decode())

            
            
              print
            
            (b
            
              '
            
            
              python\xb1\xe0\xc2\xeb\xd3\xeb\xbd\xe2\xc2\xeb
            
            
              '
            
            .decode(
            
              "
            
            
              gbk
            
            
              "
            
            ))

結(jié)果：

            
              python編碼與解碼
python編碼與解碼

UTF-8與GBK

            
              #
            
            
               不管是utf-8，還是gbk，都可以理解為一種對(duì)應(yīng)關(guān)系（若干個(gè)十六進(jìn)制數(shù)<——>某個(gè)字符）：
            
            
s3 = u
            
              "
            
            
              編碼
            
            
              "
            
            
              
utf8 
            
            = s3.encode(
            
              '
            
            
              utf-8
            
            
              '
            
            
              )

            
            
              print
            
            
              (type(utf8))

            
            
              print
            
            
              (len(utf8))

            
            
              print
            
            
              (utf8)
gbk 
            
            = s3.encode(
            
              '
            
            
              gbk
            
            
              '
            
            
              )

            
            
              print
            
            
              (type(gbk))

            
            
              print
            
            
              (len(gbk))

            
            
              print
            
            
              (gbk)

            
            
              #
            
            
               utf-8用三個(gè)十六進(jìn)制來(lái)表示一個(gè)中文字符
            
            
              
#
            
            
               gbk用二個(gè)十六進(jìn)制來(lái)表示一個(gè)中文字符。
            
            
              
#
            
            
               結(jié)論：encode()函數(shù)根據(jù)括號(hào)內(nèi)的編碼方式，把str類型的字符串轉(zhuǎn)換為bytes字符串，字符對(duì)應(yīng)的若干十六進(jìn)制數(shù)，根據(jù)編碼方式?jīng)Q定

結(jié)果：

            <
            
              class
            
            
              '
            
            
              bytes
            
            
              '
            
            >
6
            
              
b
            
            
              '
            
            
              \xe7\xbc\x96\xe7\xa0\x81
            
            
              '
            
            
<
            
              class
            
            
              '
            
            
              bytes
            
            
              '
            
            >
4
            
              
b
            
            
              '
            
            
              \xb1\xe0\xc2\xeb
            
            
              '

字符編碼聲明

            
              源代碼文件中，如果有用到非ASCII字符，則需要在文件頭部進(jìn)行字符編碼的聲明，如下：


            
            
              #
            
            
              -*- coding: UTF-8 -*-
            
            
              
實(shí)際上Python只檢查
            
            
              #
            
            
              、coding和編碼字符串，其他的字符都是為了美觀加上的。另外，Python中可用的字符編碼有很多，并且還有許多別名，還不區(qū)分大小寫(xiě)，比如UTF-8可以寫(xiě)成u8。參見(jiàn)http://docs.python.org/library/codecs.html#standard-encodings。

chardet

chardet是用來(lái)檢測(cè)編碼的，對(duì)于未知的bytes，要把它轉(zhuǎn)換為str，我們并不知道它的編碼方式，而chardet可以幫我們檢測(cè)編碼。

              >>> chardet.detect(b
              
                '
              
              
                Hello, world!
              
              
                '
              
              
                )
{
              
              
                '
              
              
                encoding
              
              
                '
              
              : 
              
                '
              
              
                ascii
              
              
                '
              
              , 
              
                '
              
              
                confidence
              
              
                '
              
              : 1.0, 
              
                '
              
              
                language
              
              
                '
              
              : 
              
                ''
              
              }

檢測(cè)出的編碼是 ascii ，注意到還有個(gè) confidence 字段，表示檢測(cè)的概率是1.0（即100%）。

檢測(cè)GBK編碼的中文：

              >>> data = 
              
                '
              
              
                離離原上草，一歲一枯榮
              
              
                '
              
              .encode(
              
                '
              
              
                gbk
              
              
                '
              
              
                )

              
              >>>
              
                 chardet.detect(data)
{
              
              
                '
              
              
                encoding
              
              
                '
              
              : 
              
                '
              
              
                GB2312
              
              
                '
              
              , 
              
                '
              
              
                confidence
              
              
                '
              
              : 0.7407407407407407, 
              
                '
              
              
                language
              
              
                '
              
              : 
              
                '
              
              
                Chinese
              
              
                '
              
              }

檢測(cè)的編碼是 GB2312 ，注意到GBK是GB2312的超集，兩者是同一種編碼，檢測(cè)正確的概率是74%， language 字段指出的語(yǔ)言是 'Chinese' 。

UTF-8編碼進(jìn)行檢測(cè)：

              >>> data = 
              
                '
              
              
                離離原上草，一歲一枯榮
              
              
                '
              
              .encode(
              
                '
              
              
                utf-8
              
              
                '
              
              
                )

              
              >>>
              
                 chardet.detect(data)
{
              
              
                '
              
              
                encoding
              
              
                '
              
              : 
              
                '
              
              
                utf-8
              
              
                '
              
              , 
              
                '
              
              
                confidence
              
              
                '
              
              : 0.99, 
              
                '
              
              
                language
              
              
                '
              
              : 
              
                ''
              
              }

?refence：

http://python.jobbole.com/88277/?utm_source=blog.jobbole.com&utm_medium=relatedPosts

http://python.jobbole.com/82107/

https://blog.csdn.net/anlian523/article/details/80504699

更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主

微信掃碼或搜索：z360901061

微信掃一掃加我為好友

QQ號(hào)聯(lián)系： 360901061

您的支持是博主寫(xiě)作最大的動(dòng)力，如果您喜歡我的文章，感覺(jué)我的文章對(duì)您有幫助，請(qǐng)用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長(zhǎng)非常感激您！手機(jī)微信長(zhǎng)按不能支付解決辦法：請(qǐng)將微信支付二維碼保存到相冊(cè)，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。

【本文對(duì)您有幫助就好】元

2元

5元

10元

20元

自定義