Python字符串的编码

桃扇骨 2023-10-13 13:38 8阅读 0赞

## Python字符串的编码 ##

讲python字符串编码之前，先讲讲编码

### 编码 ###

什么是编码？

因为计算机只能处理数字，而如果想要处理文本，就要把文本转换成数字才能进行处理，在最早之前的计算机在涉及时采用8个位(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255)，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个字符被编码到计算机里，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_JIS`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。

所以Unicode字符集就出现了，Unicode把所有的语言（汉语，韩语，日语所有世界上的语言）都统一到一套编码里，这样就再也不会出现乱码问题

Unicode标准也在不断发展，但最常用的是UCS-16编码，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`'0'`和整数`0`是不同的；

汉字`中`已经超出了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`00000000 01000001`。

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字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成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：

<table> 
 <thead> 
  <tr> 
   <th>字符</th> 
   <th><strong>ASCII</strong></th> 
   <th>Unicode</th> 
   <th>UTF-8</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>A</td> 
   <td><code>01000001</code></td> 
   <td><code>01000001</code></td> 
   <td><code> 01000001</code></td> 
  </tr> 
  <tr> 
   <td>中</td> 
   <td>x</td> 
   <td><code> 01001110 00101101</code></td> 
   <td><code>11100100 10111000 10101101</code></td> 
  </tr> 
 </tbody> 
</table>

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Unicode转换为UTF-8保存到文件：

![rw-file-utf-8][]

浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器：

![web-utf-8][]

所以你看到很多网页的源码上会有类似`<meta charset="UTF-8" />`的信息，表示该网页正是用的UTF-8编码。

### Python的字符串 ###

而在python3版本中，字符串是以Unicode编码来表示的，你可以同时在python字符串中使用多种语言，例如：

print("中文English")# 中文English

对于单个字符的编码，你可以`ord()`函数获取字符的整数表示，`chr()` 函数把编码转换为对应的字符

ord()示例：

print(ord('A')) #65

chr()示例：

print(chr(66)) #'B'

### 编码 ###

将字符串编码为字节序列的过程称为**编码**（encoding）。Python 提供了字符串对象的 `encode()` 方法，可以将字符串根据指定的字符编码方式编码为字节序列。

由于Python的字符串是`str`，在内存中以Unicode表示，一个字符对应若干个字节，如果在网上传输，或者保存到磁盘上就需要`str`变为以字节为单位的`bytes`

#### 编码过程描述 ####

在Python中将以Unicode表示的`str`通过`encode()`函数编码成指定的字节序列，这个具体转换其实就是encode()这个函数选择一种字符编码方式来确定字符与字节之间的映射关系，字符编码就是一种规则，来定义如何将**字符转换为字节的过程**

编码示例：

text = "你好"
    bytes_data = text.encode("GBK")  # 将字符串编码为 GBK字节序列
    print(bytes_data)  # 输出: b'\xc4\xe3\xba\xc3'

### 解码 ###

当我们从网络或磁盘中读取了字节流，那么读到的数据就是字节序列，要把字节序列变为`str` ，就需要用`decode()`方法

示例：

text = "你好"
    bytes_data = text.encode("GBK")  
    print(bytes_data)  # 
    print(bytes_data.decode("GBK"))

text = “你好”  
bytes\_data = text.encode(“GBK”)  
print(bytes\_data) \#  
print(bytes\_data.decode(“GBK”))

[rw-file-utf-8]: https://img-blog.csdnimg.cn/img_convert/e9268ae857e0d017f814a650a5df2907.png
[web-utf-8]: https://img-blog.csdnimg.cn/img_convert/dd8466d294fa647de0cfc6ba6341a8bf.png