python的编码格式问题

Myth丶恋晨 2022-06-01 09:38 195阅读 0赞

由于每个国家都有自己的字符，所以其对应关系也涵盖了自己国家的字符

*  ASCII 占1个字节，只支持英文
 *  GB2312 占2个字节，支持6700+汉字
 *  GBK GB2312的升级版，支持21000+汉字
 *  Shift-JIS 日本字符
 *  ks\_c\_5601-1987 韩国编码
 *  TIS-620 泰国编码

但是以上编码都存在局限性，即：仅涵盖本国字符，无其他国家字符的对应关系。应运而生出现了万国码，他涵盖了全球所有的文字和二进制的对应关系，

*  Unicode 2-4字节 已经收录136690个字符，并还在一直不断扩张中…

Unicode 起到了2个作用：

*  直接支持全球所有语言，每个国家都可以不用再使用自己之前的旧编码了，用unicode就可以了。(就跟英语是全球统一语言一样)
 *  unicode包含了跟全球所有国家编码的映射关系。

Unicode解决了字符和二进制的对应关系，但是使用unicode表示一个字符，太浪费空间。例如：利用unicode表示“Python”需要12个字节才能表示，比原来ASCII表示增加了1倍。

由于计算机的内存比较大，并且字符串在内容中表示时也不会特别大，所以内容可以使用unicode来处理，但是存储和网络传输时一般数据都会非常多，那么增加1倍将是无法容忍的！！！

为了解决存储和网络传输的问题，出现了Unicode Transformation Format，学术名UTF，即：对unicode中的进行转换，以便于在存储和网络传输时可以节省空间!

*  UTF-8： 使用1、2、3、4个字节表示所有字符；优先使用1个字符、无法满足则使增加一个字节，最多4个字节。英文占1个字节、欧洲语系占2个、东亚占3个，其它及特殊字符占4个
 *  UTF-16： 使用2、4个字节表示所有字符；优先使用2个字节，否则使用4个字节表示
 *  UTF-32： 使用4个字节表示所有字符；

总结：UTF 是为unicode编码 设计 的一种 在存储 和传输时节省空间的编码方案。

## 字符在硬盘上的存储 ##

无论以什么编码在内存里显示字符，存到硬盘上都是2进制。

ascii编码(美国)：
        l   0b1101100
        o   0b1101111
        v   0b1110110
        e   0b1100101
    GBK编码(中国)：
        中   0b11000000 0b11001111
        国   0b11000100 0b11010000
        人   0b10111010 0b10100010
    
    Shift_JIS编码(日本)：
        私   0b10001110 0b10000100
        は   0b10000010 0b11001101
    
    ks_c_5601-1987编码(韩国)：
        나   0b10110011 0b10101010
        는   0b10110100 0b11000010
    
    TIS-620编码(泰国)：
        ฉัน  0b10101001 0b11010001 0b10111001
    ...
    ####要注意的是，存到硬盘上时是以何种编码存的，再从硬盘上读出来时，就必须以何种编码读，要不然就乱了。。

## 编码的转换 ##

虽然国际语言是英语 ，但大家在自己的国家依然说自已的语言，不过出了国， 你就得会英语  
编码也一样，虽然有了unicode and utf-8 ， 但是由于历史问题，各个国家依然在大量使用自己的编码，比如中国的windows,默认编码依然是gbk,而不是utf-8

基于此，如果中国的软件出口到美国，在美国人的电脑上就会显示乱码，因为他们没有gbk编码。  
若想让中国的软件可以正常的在 美国人的电脑上显示，只有以下2条路可走：

*  让美国人的电脑上都装上gbk编码
 *  把你的软件编码以utf-8编码

第1种方法几乎不可能实现，第2种方法比较简单。 但是也只能是针对新开发的软件。 如果你之前开发的软件就是以gbk编码的，上百万行代码可能已经写出去了，重新编码成utf-8格式也会费很大力气。

so , 针对已经用gbk开发完毕的项目，以上2种方案都不能轻松的让项目在美国人电脑上正常显示，难道没有别的办法了么？  
有， 还记得我们讲unicode其中一个功能是其包含了跟全球所有国家编码的映射关系，意思就是，你写的是gbk的“路飞学城”,但是unicode能自动知道它在unicode中的“路飞学城”的编码是什么，如果这样的话，那是不是意味着，无论你以什么编码存储的数据 ，只要你的软件在把数据从硬盘读到内存里，转成unicode来显示，就可以了。  
由于所有的系统、编程语言都默认支持unicode，那你的gbk软件放到美国电脑 上，加载到内存里，变成了unicode,中文就可以正常展示啦。  
unicode与gbk的映射表 [http://www.unicode.org/charts/][http_www.unicode.org_charts]  
![这里写图片描述][70]

## python3的执行过程 ##

在看实际代码的例子前，我们来聊聊，python3 执行代码的过程

解释器找到代码文件，把代码字符串按文件头定义的编码加载到内存，转成unicode
    把代码字符串按照语法规则进行解释，
    所有的变量字符都会以unicode编码声明

## 编码转换过程 ##

代码演示如下，在py3上 把你的代码以utf-8编写， 保存，然后在windows上执行，

s = '中国'
    print(s)

![这里写图片描述][70 1]  
so ,一切都很美好，到这里，我们关于编码的学习按说就可以结束了。  
是，如生活一样，美好的表面下，总是隐藏着不尽如人意，上面的utf-8编码之所以能在windows gbk的终端下显示正常，是因为到了内存里python解释器把utf-8转成了unicode , 但是这只是python3, 并不是所有的编程语言在内存里默认编码都是unicode,比如 万恶的python2 就不是， 它的默认编码是ASCII，想写中文，就必须声明文件头的coding为gbk or utf-8, 声明之后，python2解释器仅以文件头声明的编码去解释你的代码，加载到内存后，并不会主动帮你转为unicode,也就是说，你的文件编码是utf-8,加载到内存里，你的变量字符串就也是utf-8, 这意味着什么你知道么？。。。意味着，你以utf-8编码的文件，在windows是乱码。  
在python2中执行上述代码：  
![这里写图片描述][70 2]  
再加上编码声明后如下代码：

#_*_coding:utf8_*_
    s = '中国'
    print(s)

![这里写图片描述][70 3]  
乱是正常的，不乱才不正常，因为只有2种情况 ，你的windows上显示才不会乱

字符串以GBK格式显示
    字符串是unicode编码

既然Python2并不会自动的把文件编码转为unicode存在内存里， 那就只能使出最后一招了，你自己人肉转。Py3 自动把文件编码转为unicode必定是调用了什么方法，这个方法就是，decode(解码) 和encode(编码)

UTF-8 --> decode 解码 --> Unicode
    Unicode --> encode 编码 --> GBK / UTF-8 ..

decode示例：

#_*_coding:utf8_*_
    s = '中国'
    print type(s)
    print s
    
    s2 = s.decode('utf8_')
    print type(s2)
    print s2
    
    s3 = s2.encode('GBK')
    print type(s3)
    print s3

![这里写图片描述][70 4]  
记住下图规则：  
![这里写图片描述][70 5]

## Python bytes类型 ##

在python 2 上写字符串

>>> s = "中国"
    >>> print s
    中国
    >>> s
    '\xe8\xb7\xaf\xe9\xa3\x9e'

虽说打印的是中国，但直接调用变量s，看到的却是一个个的16进制表示的二进制字节，我们怎么称呼这样的数据呢？直接叫二进制么？也可以， 但相比于010101，这个数据串在表示形式上又把2进制转成了16进制来表示，这是为什么呢？ 哈，为的就是让人们看起来更可读。我们称之为bytes类型，即字节类型， 它把8个二进制一组称为一个byte,用16进制来表示。

说这个有什么意思呢？

想告诉你一个事实， 就是，python2的字符串其实更应该称为字节串。 通过存储方式就能看出来，但python2里还有一个类型是bytes呀，难道又叫bytes又叫字符串？ 嗯 ，是的，在python2里，bytes == str ， 其实就是一回事

除此之外呢， python2里还有个单独的类型是unicode , 把字符串解码后，就会变成unicode

>>> s
    '\xe8\xb7\xaf\xe9\xa3\x9e' #utf-8
    >>> s.decode('utf-8')
    u'\u8def\u98de' #unicode 在unicode编码表里对应的位置
    >>> print(s.decode('utf-8'))
     #unicode 格式的字符

由于Python创始人在开发初期认知的局限性，其并未预料到python能发展成一个全球流行的语言，导致其开发初期并没有把支持全球各国语言当做重要的事情来做，所以就轻佻的把ASCII当做了默认编码。 当后来大家对支持汉字、日文、法语等语言的呼声越来越高时，Python于是准备引入unicode,但若直接把默认编码改成unicode的话是不现实的， 因为很多软件就是基于之前的默认编码ASCII开发的，编码一换，那些软件的编码就都乱了。所以Python 2 就直接 搞了一个新的字符类型，就叫unicode类型，比如你想让你的中文在全球所有电脑上正常显示，在内存里就得把字符串存成unicode类型

>>> s = "中国"
    >>> s
    '\xe8\xb7\xaf\xe9\xa3\x9e'
    >>> s2 = s.decode("utf-8")
    >>> s2
    u'\u8def\u98de'
    >>> type(s2)
    <type 'unicode'>

时间来到2008年，python发展已近20年，创始人龟叔越来越觉得python里的好多东西已发展的不像他的初衷那样，开始变得臃肿、不简洁、且有些设计让人摸不到头脑，比如unicode 与str类型，str 与bytes类型的关系，这给很多python程序员造成了困扰。  
龟叔再也忍不了，像之前一样的修修补补已不能让Python变的更好，于是来了个大变革，Python3横空出世，不兼容python2,python3比python2做了非常多的改进，其中一个就是终于把字符串变成了unicode,文件默认编码变成了utf-8,这意味着，只要用python3,无论你的程序是以哪种编码开发的，都可以在全球各国电脑上正常显示，真是太棒啦！

PY3 除了把字符串的编码改成了unicode, 还把str 和bytes 做了明确区分， str 就是unicode格式的字符， bytes就是单纯二进制啦。

最后一个问题，为什么在py3里，把unicode编码后，字符串就变成了bytes格式？ 你直接给我直接打印成gbk的字符展示不好么？我想其实py3的设计真是煞费苦心，就是想通过这样的方式明确的告诉你，想在py3里看字符，必须得是unicode编码，其它编码一律按bytes格式展示。

最后再提示一下，Python只要出现各种编码问题，无非是哪里的编码设置出错了  
常见编码错误的原因有：

*  Python解释器的默认编码
 *  Python源文件文件编码
 *  Terminal使用的编码
 *  操作系统的语言设置

掌握了编码之前的关系后，挨个排错就好啦

[http_www.unicode.org_charts]: http://www.unicode.org/charts/
[70]: /images/20220601/aee95eb7face4b6eb3d8c7b0382ad686.png
[70 1]: /images/20220601/9a1bbd9a2be649b395f9196ba17932f5.png
[70 2]: /images/20220601/a91fb7cb83f34890a7e31554cf209bc1.png
[70 3]: /images/20220601/c68005f5ee3c4c91afa9766a2b8f2c96.png
[70 4]: /images/20220601/b06cc8a8aa2947f29b6f11b06c6c171e.png
[70 5]: /images/20220601/0caf97a7d8b3412c82ad74737421c6f2.png