python全栈_008_Python3 字符编码

1：字符编码

　　我们已经讲过了，字符串也是一种数据类型，但是，字符串比较特殊的是还有一个编码问题。

　　因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特（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(2**16-1)，4个字节可以表示的最大整数是4294967295(2**32-1)。

　　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(ord('A'))，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。

　　因此，Unicode应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。

　　Unicode标准也在不断发展，但最常用的是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。

　　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。

　　新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。

　　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：

字符	ASCII	Unicode	UTF-8
A	01000001	00000000 01000001	01000001
中	x	01001110 00101101	11100100 10111000 10101101

　　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：

　　

　　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：

　　

　　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。

2：Python的字符串

　　在最新的Python 3版本中，字符串是以Unicode编码的，也就是说，Python的字符串支持多语言，例如：

s = '123abc包含中文的str'
print(s) # 123abc包含中文的str

　　对于单个字符的编码(Unicode编码)，Python提供了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：

print(ord('A'))   # 输出 65
print(ord('中'))  # 输出 20013

print(chr(65))  # 输出 A
print(chr(20013)) # 输出 中
print(chr(20014)) # 输出 丮
print(chr(20015)) # 输出 丯

　　如果知道字符的整数编码(Unicode编码)，还可以用十六进制这么写str：

s =  'u4e2du6587'  #  Unicode编码
print(s,type(s))  # 输出 中文  <class 'str'>

　　由于Python的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节。如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes。

　　Python对bytes类型的数据用带b前缀的单引号或双引号表示：

　　x = b'ABC'

　　要注意区分'ABC'和b'ABC'，前者是str，后者虽然内容显示得和前者一样，但bytes的每个字符都只占用一个字节。

　　以Unicode表示的str通过encode()方法可以编码为指定的bytes，例如：

print('ABC'.encode('ascii')) # b'ABC'
print('中文'.encode('utf-8')) # b'xe4xb8xadxe6x96x87123abc'
print('中文'.encode('ascii')) # 报错 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

　　纯英文的str可以用ASCII编码为bytes，内容是一样的，含有中文的str可以用UTF-8编码为bytes。含有中文的str无法用ASCII编码，因为中文编码的范围超过了ASCII编码的范围，Python会报错。

　　在bytes中，无法显示为ASCII字符的字节，用x##显示。

反过来，如果我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。要把bytes变为str，就需要用decode()方法：

print(b'abc'.decode('ascii'))  # abc
print(b'abc'.decode('utf-8'))  # abc
print(b'xe4xb8xadxe6x96x87123abc'.decode('utf-8')) # 中文123abc

　　如果bytes中包含无法解码的字节，decode()方法会报错：

print(b'xe4xb8xadxff'.decode('utf-8'))  
# UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte

　　如果bytes中只有一小部分无效的字节，可以传入errors='ignore'忽略错误的字节

print(b'xe4xb8xadxff'.decode('utf-8',errors='ignore')) # 中

　　要计算str包含多少个字符，可以用len()函数,len()函数计算的是str的字符数，如果换成bytes，len()函数就计算字节数:

# 计算包含多少个字符
print(len('ABC')) # 3
print(len('中文')) # 2

# 计算包含多少个字节
print(len(b'ABC')) #3
print(len(b'xe4xb8xadxe6x96x87'))  # 6
print(len('中文'.encode('utf-8')))        # 6

　　可见，1个中文字符经过UTF-8编码后通常会占用3个字节，而1个英文字符只占用1个字节。

　　在操作字符串时，我们经常遇到str和bytes的互相转换。为了避免乱码问题，应当始终坚持使用UTF-8编码对str和bytes进行转换。

　　由于Python源代码也是一个文本文件，所以，当你的源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上如下代码行：

# -*- coding: utf-8 -*-

 -*- coding: utf-8 -*-   表示在保存源代码时按照utf-8编码（unicode.encode('utf-8')）保存到硬盘上去，在读起源代码时按照utf-8来读（str.decode('utf-8') ）

3：Python中编码的转换

Python3中字符串在内存中是以unicode编码存在的，

从网上下载，或者读文件，都是字节流，需要decode进行转换：
utf-8 -> unicode    　　str.decode('utf-8')
gbk -> unicode     　　str.decode('gbk')

保存文件（把内容写到文件中）或者向网上发送数据，需要转换为字节流,即encode一下：
unicode -> utf-8 　　  unicode.encode('utf-8')
unicode -> gbk 　　    unicode.encode('gbk')

utf-8 -> gbk  ：首先把   utf-8 -> unicode ，再把unicode -> gbk：str.decode('utf-8','ignore').encode('gbk')

gbk  -> utf-8 ：              gbk -> unicode，unicode -> utf-8  ： str.decode('gbk','ignore').encode('utf-8')

def gbk2unicode(s):
    return s.decode('gbk', 'ignore')

def utf82unicode(s):
    return s.decode('utf-8', 'ignore')

# 带u的字符串为unicode
def unicode2gbk(s):
    return s.encode('gbk')

# 带u的字符串为unicode
def unicode2utf8(s):
    return s.encode('utf-8')

def gbk2utf8(s):
    return s.decode('gbk', 'ignore').encode('utf-8')

def utf82gbk(s):
    return s.decode('utf-8', 'ignore').encode('gbk')