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：
<
class
'
str
'
>
a
<
class
'
str
'
> 一
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
