Python 编码问题（十四）

一、了解字符编码的知识储备

1. 文本编辑器存取文件的原理（nodepad++，pycharm，word）

打开编辑器就打开了启动了一个进程，是在内存中的，所以在编辑器编写的内容也都是存放与内存中的，断电后数据丢失，因而需要保存到硬盘上，点击保存按钮，就从内存中把数据刷到了硬盘上。在这一点上，我们编写一个py文件（没有执行），跟编写其他文件没有任何区别，都只是在编写一堆字符而已。

即:在没有点击保存时,我们所写的内容都是写入内存。注意这一点，很重要！！当我们点击保存，内容才被刷到硬盘。

上面做了两件事：写内容到内存,从内存将内存刷到硬盘。这是两个过程。

2. python解释器执行py文件的原理 ，例如python test.py

　第一阶段：python解释器启动，此时就相当于启动了一个文本编辑器

　　　　第二阶段：python解释器相当于文本编辑器，去打开test.py文件，从硬盘上将test.py的文件内容读入到内存中

　　　　第三阶段：python解释器解释执行刚刚加载到内存中test.py的代码

　　　　python解释器执行py文件分为两个步骤:1.将文件读到内存,2.解释执行内容。

二、字符编码简介

要搞清楚字符编码，首先要解决的问题是：什么是字符编码？

　　我们都知道，计算机要想工作必须通电,也就是说‘电’驱使计算机干活,而‘电’的特性，就是高低电平(高低平即二进制数1,低电平即二进制数0),也就是说计算机只认识数字(010101).如果我们想保存数据,首先得将我们的数据进行一些处理，最终得转换成010101才能让计算机识别。

　　所以必须经过一个过程：

　　字符--------（翻译过程）------->数字

　　这个过程实际就是一个字符如何对应一个特定数字的标准，这个标准称之为字符编码。

　　那么问题就来了？作为一种编码方案，还得解决两个问题:

　　　　a.字节是怎么分组的，如8 bits或16 bits一组，这也被称作编码单元。

　　　　b.编码单元和字符之间的映射关系。例如，在ASCII码中，十进制65映射到字母A上。

　　ASCII码是上个世纪最流行的编码体系之一，至少在西方是这样。下图显示了ASCII码中编码单元是怎么映射到字符上的。

三、字符编码的发展史

阶段一：现代计算机起源于美国，最早诞生也是基于英文考虑的ASCII

　　随着计算机越来越流行，厂商之间的竞争更加激烈，在不同的计算机体系间转换数据变得十分蛋疼，人们厌烦了这种自定义造成的混乱。最终，计算机制造商一起制定了一个标准的方法来描述字符。他们定义使用一个字节的低7位来表示字符，并且制作了如上图所示的对照表来映射七个比特的值到一个字符上。例如，字母A是65，c是99，~是126等等， ASCII码就这样诞生了。原始的ASCII标准定义了从0到127 的字符，这样正好能用七个比特表示。

　　为什么选择了7个比特而不是8个来表示一个字符呢？我并不关心。但是一个字节是8个比特，这意味着1个比特并没有被使用，也就是从128到255的编码并没有被制定ASCII标准的人所规定，这些美国人对世界的其它地方一无所知甚至完全不关心。其它国家的人趁这个机会开始使用128到255范围内的编码来表达自己语言中的字符。例如，144在阿拉伯人的ASCII码中是گ，而在俄罗斯的ASCII码中是ђ。ASCII码的问题在于尽管所有人都在0-127号字符的使用上达成了一致，但对于128-255号字符却有很多很多不同的解释。你必须告诉计算机使用哪种风格的ASCII码才能正确显示128-255号的字符。

　　总结：ASCII，一个Bytes代表一个字符（英文字符/键盘上的所有其他字符），1Bytes=8bit，8bit可以表示0-2**8-1种变化，即可以表示256个字符，ASCII最初只用了后七位，127个数字，已经完全能够代表键盘上所有的字符了（英文字符/键盘的所有其他字符），后来为了将拉丁文也编码进了ASCII表，将最高位也占用了。

阶段二:为了满足中文，中国人定制了GBK

　　GBK:2Bytes代表一个字符；为了满足其他国家，各个国家纷纷定制了自己的编码。日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里

阶段三：万国码Unicode编码

　　后来，有人开始觉得太多编码导致世界变得过于复杂了，让人脑袋疼，于是大家坐在一起拍脑袋想出来一个方法：所有语言的字符都用同一种字符集来表示，这就是Unicode。

Unicode统一用2Bytes代表一个字符，2**16-1=65535，可代表6万多个字符，因而兼容万国语言.但对于通篇都是英文的文本来说，这种编码方式无疑是多了一倍的存储空间（英文字母只需要一个字节就足够,用两个字节来表示,无疑是浪费空间）.于是产生了UTF-8，对英文字符只用1Bytes表示，对中文字符用3Bytes.UTF-8是一个非常惊艳的概念，它漂亮的实现了对ASCII码的向后兼容，以保证Unicode可以被大众接受。

在UTF-8中，0-127号的字符用1个字节来表示，使用和US-ASCII相同的编码。这意味着1980年代写的文档用UTF-8打开一点问题都没有。只有128号及以上的字符才用2个，3个或者4个字节来表示。因此，UTF-8被称作可变长度编码。于是下面字节流如下：

　　　　0100100001000101010011000100110001001111

　　这个字节流在ASCII和UTF-8中表示相同的字符：HELLO

　　至于其他的UTF-16，这里就不再叙述了。

　　总结一点：unicode：简单粗暴，所有字符都是2Bytes，优点是字符----->数字的转换速度快，缺点是占用空间大。

　　　　　　　utf-8：精准，对不同的字符用不同的长度表示，优点是节省空间，缺点是：字符->数字的转换速度慢，因为每次都需要计算出字符需要多长的Bytes才能够准确表示。

　　因此，内存中使用的编码是unicode，用空间换时间（程序都需要加载到内存才能运行，因而内存应该是尽可能的保证快）；硬盘中或者网络传输用utf-8，网络I/O延迟或磁盘I/O延迟要远大与utf-8的转换延迟，而且I/O应该是尽可能地节省带宽，保证数据传输的稳定性。

　　所有程序，最终都要加载到内存，程序保存到硬盘不同的国家用不同的编码格式，但是到内存中我们为了兼容万国（计算机可以运行任何国家的程序原因在于此），统一且固定使用unicode，这就是为何内存固定用unicode的原因，你可能会说兼容万国我可以用utf－8啊，可以，完全可以正常工作，之所以不用肯定是unicode比utf－8更高效啊（uicode固定用2个字节编码，utf－8则需要计算），但是unicode更浪费空间，没错，这就是用空间换时间的一种做法，而存放到硬盘，或者网络传输，都需要把unicode转成utf－8，因为数据的传输，追求的是稳定，高效，数据量越小数据传输就越靠谱，于是都转成utf－8格式的，而不是unicode。

四、字符编码的使用

不管是哪种类型的文件，只要记住一点：文件以什么编码保存的，就以什么编码方式打开.

　　下面我们来看看python中关于编码出现的问题:

　　如果不在python文件指定头信息＃-*-coding:utf-8-*-,那就使用默认的python2中默认使用ascii，python3中默认使用utf-8

　　读取已经加载到内存的代码（unicode编码的二进制），然后执行，执行过程中可能会开辟新的内存空间，比如x="hello"

　　内存的编码使用unicode，不代表内存中全都是unicode编码的二进制，在程序执行之前，内存中确实都是unicode编码的二进制,比如从文件中读取了一行x="hello",其中的x，等号，引号，地位都一样，都是普通字符而已，都是以unicode编码的二进制形式存放与内存中的.但是程序在执行过程中，会申请内存（与程序代码所存在的内存是俩个空间），可以存放任意编码格式的数据，比如x="hello",会被python解释器识别为字符串，会申请内存空间来存放"hello"，然后让x指向该内存地址，此时新申请的该内存地址保存也是unicode编码的hello,如果代码换成x="hello".encode('utf-8'),那么新申请的内存空间里存放的就是utf-8编码的字符串hello了.

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

如果服务端encode的编码格式是utf-8， 客户端内存中收到的也是utf-8编码的二进制

五、Python2与python3编码区别

　　1.在python2中有两种字符串类型str和unicode

　　　str类型

　　　当python解释器执行到产生字符串的代码时（例如s='林'），会申请新的内存地址，然后将'林'编码成文件开头指定的编码格式，这已经是encode之后的结果了，所以s只能decode。再次encode就会报错。

 #_*_coding:gbk_*_
 2 #!/usr/bin/env python
 3
 4 x='林'
 5 # print x.encode('gbk') #报错
 6 print x.decode('gbk') #结果：林

在python2中，str就是编码后的结果bytes，str=bytes,所以在python2中，unicode字符编码的结果是str/bytes。

 #coding:utf-8
 s='林' #在执行时,'林'会被以conding:utf-8的形式保存到新的内存空间中

 print repr(s) #'\xe6\x9e\x97' 三个Bytes,证明确实是utf-8
 print type(s) #<type 'str'>

 s.decode('utf-8')
 # s.encode('utf-8') #报错，s为编码后的结果bytes，所以只能decode

Unicode类型

　　当python解释器执行到产生字符串的代码时（例如s=u'林'），会申请新的内存地址，然后将'林'以unicode的格式存放到新的内存空间中，所以s只能encode，不能decode.

 s=u'林'
 print repr(s) #u'\u6797'
 print type(s) #<type 'unicode'>

 # s.decode('utf-8') #报错，s为unicode，所以只能encode
 s.encode('utf-8') 

特别说明:

　　当数据要打印到终端时，要注意一些问题.

　　当程序执行时，比如:x='林';print(x) #这一步是将x指向的那块新的内存空间（非代码所在的内存空间）中的内存，打印到终端，而终端仍然是运行于内存中的，所以这打印可以理解为从内存打印到内存，即内存->内存，unicode->unicode.对于unicode格式的数据来说，无论怎么打印，都不会乱码.python3中的字符串与python2中的u'字符串'，都是unicode，所以无论如何打印都不会乱码.在windows终端（终端编码为gbk，文件编码为utf-8，乱码产生）

 #分别验证在pycharm中和cmd中下述的打印结果
 s=u'林' #当程序执行时，'林'会被以unicode形式保存新的内存空间中

 #s指向的是unicode，因而可以编码成任意格式，都不会报encode错误
 s1=s.encode('utf-8')
 s2=s.encode('gbk')
 print s1 #打印正常否？
 print s2 #打印正常否

 print repr(s) #u'\u6797'
 print repr(s1) #'\xe6\x9e\x97' 编码一个汉字utf-8用3Bytes
 print repr(s2) #'\xc1\xd6' 编码一个汉字gbk用2Bytes

 print type(s) #<type 'unicode'>
 print type(s1) #<type 'str'>
 print type(s2) #<type 'str'>

2. 在python3中也有两种字符串类型str和bytes

　　str类型变为unicode类型

 #coding:utf-8
 s='林' #当程序执行时，无需加u，'林'也会被以unicode形式保存新的内存空间中,

 #s可以直接encode成任意编码格式
 s.encode('utf-8')
 s.encode('gbk')

 print(type(s)) #<class 'str'>

bytes类型

 #coding:utf-8
 s='林' #当程序执行时，无需加u，'林'也会被以unicode形式保存新的内存空间中,

 #s可以直接encode成任意编码格式
 s1=s.encode('utf-8')
 s2=s.encode('gbk')

 print(s) #林
 print(s1) #b'\xe6\x9e\x97' 在python3中，是什么就打印什么
 print(s2) #b'\xc1\xd6' 同上

 print(type(s)) #<class 'str'>
 print(type(s1)) #<class 'bytes'>
 print(type(s2)) #<class 'bytes'>