闹心的python编码

说起编码，真是十分忧伤。每次听课都是绕了半天把自己搞糊涂。今天特意来整理一下思路。

What 编码！？

基本概念很简单。首先，我们从一段信息即消息说起，消息以人类可以理解、易懂的表示存在。我打算将这种表示称为“明文”（plain text）。对于说英语的人，纸张上打印的或屏幕上显示的英文单词都算作明文。其次，我们需要能将明文表示的消息转成另外某种表示，我们还需要能将编码文本转回成明文。从明文到编码文本的转换称为“编码”，从编码文本又转回成明文则为“解码”。

ANSI编码

其实在很久很久以前，有一群人，他们决定用8个可以开合的晶体管来组合成不同的状态，以表示世界上的万物。他们看到8个开关状态是好的，于是他们把这称为“字节”。开始计算机只在美国用。八位的字节一共可以组合出256（2的8次方）种不同的状态。他们把其中的编号从0开始的32种状态分别规定了特殊的用途，一但终端、打印机遇上约定好的这些字节被传过来时，就要做一些约定的动作。遇上00×10, 终端就换行，遇上0×07, 终端就向人们嘟嘟叫，例好遇上0×1b, 打印机就打印反白的字，或者终端就用彩色显示字母。他们看到这样很好，于是就把这些0×20以下的字节状态称为"控制码"。

他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示，一直编到了第127号，这样计算机就可以用不同字节来存储英语的文字了。大家看到这样，都感觉很好，于是大家都把这个方案叫做 ANSI 的"Ascii"编码（American Standard Code for Information Interchange，美国信息互换标准代码）。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。

后来，就像建造巴比伦塔一样，世界各地的都开始使用计算机，但是很多国家用的不是英文，他们的字母里有许多是ASCII里没有的，为了可以在计算机保存他们的文字，他们决定采用127号之后的空位来表示这些新的字母、符号，还加入了很多画表格时需要用下到的横线、竖线、交叉等形状，一直把序号编到了最后一个状态255。从128到255这一页的字符集被称“扩展字符集”。从此之后，贪婪的人类再没有新的状态可以用了，美国当时估计也没想到还有别的国家要用计算机的。

GB2312编码

当天朝人们得到计算机时，已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存呢。天朝人民就不客气地把那些127号之后的奇异符号们直接取消掉。规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高字节）从0xA1用到0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的“全角”字符，而原来在127号以下的那些就叫"半角"字符了。于是就把这种汉字方案叫做 “GB2312”。GB2312 是对 ASCII 的中文扩展。

GBK 和 GB18030编码

但是天朝的汉字太多了，我们很快就就发现有许多人的人名没有办法在这里打出来，特别是某些天朝领导的名字要是打不出很麻烦的。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。

后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准，GBK 包括了 GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。

后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，GBK 扩成了 GB18030。从此之后，天朝民族的文化就可以在计算机时代中传承了。在这个标准里，最大的特点是两字节长的汉字字符和一字节长的英文字符并存于同一套编码方案里，因此他们写的程序为了支持中文处理，必须要注意字串里的每一个字节的值，如果这个值是大于127的，那么就认为一个双字节字符集里的字符出现了。

那时候凡是受过编程学习的程序员都要每天念下面这个咒语数百遍的折磨： “一个汉字算两个英文字符！一个汉字算两个英文字符……”

UNICODE编码

因为当时各个国家都像天朝这样搞出一套自己的编码标准，结果互相之间谁也不懂谁的编码，谁也不支持别人的编码，连大陆和台湾这样只相隔了150海里，使用着同一种语言的兄弟地区，也分别采用了不同的编码方案：当时的天朝人想让电脑显示汉字，就必须装上一个“汉字系统”。专门用来处理汉字的显示、输入的问题，

但是那个装台湾的人士写的程序就必须加装另一套支持 BIG5 编码的“倚天汉字系统”才可以用，装错了字符系统，显示就会乱了套！这怎么办？而且世界民族中还有那些暂时用不上电脑的穷苦人民，他们的文字又怎么办？

正在这时，天使及时出现了——一个叫 ISO （国际标谁化组织）的国际组织决定着手解决这个问题。他们采用的方法很简单：废了所有的地区性编码方案，重新搞一个包括了地球上所有文化、所有字母和符号的编码！他们打算叫它 UCS, 俗称 UNICODE 。（ Universal Multiple-Octet Coded Character Set ）

在UNICODE 中，一个汉字算两个英文字符的时代已经快过去了。

无论是半角的英文字母，还是全角的汉字，它们都是统一的“一个字符”！同时，也都是统一的“两个字节"”

UTF-8和UTF-16

UNICODE 来到时，一起到来的还有计算机网络的兴起，UNICODE 如何在网络上传输也是一个必须考虑的问题，于是面向传输的众多 UTF（UCS Transfer Format）标准出现了，顾名思义，UTF8就是每次8个位传输数据，而UTF16就是每次16个位，只不过为了传输时的可靠性，从UNICODE到UTF时并不是直接的对应，而是要过一些算法和规则来转换。

utf8，因为是可变长字节的编码方式，所以存储文件时就会节省大量空间。同时兼容ASCII码。

一言以蔽之：Unicode是内存编码表示方案（是规范），而UTF是如何保存和传输Unicode的方案（是实现）这也是UTF与Unicode的区别。

字符转码

需知:

1.在python2默认编码是ASCII, python3里默认是utf-8

2.unicode 分为 utf-32(占4个字节),utf-16(占两个字节)，utf-8(占1-4个字节)， so utf-8就是unicode

3.在py3中encode,在转码的同时还会把string 变成bytes类型，decode在解码的同时还会把bytes变回string

总结

py3里默认文件编码就是utf-8,所以可以直接写中文，也不需要文件头声明编码
你声明的变量默认是unicode编码，不是utf-8, 因为默认即是unicode了（不像在py2里，你想直接声明成unicode还得在变量前加个u）, 此时你想转成gbk的话，直接your_str.encode("gbk")即可以

gbk转成utf-8

import sys

print(sys.getdefaultencoding())

s = '你好'  #默认utf-8

s_gbk = s.encode('gbk')  #utf-8转换成gbk

print(s_gbk)

print(s.encode())  #默认转换成utf-8

utf-8是unicode的扩展集

import sys

print(sys.getdefaultencoding())

s = '你好'  #默认utf-8

s_gbk = s.encode('gbk')  #utf-8转换成gbk

print(s_gbk)

print(s.encode())  #默认转换成utf-8

gbk_to_utf8 = s_gbk.decode("gbk").encode(("utf-8")) #gbk转成utf-8

print("utf8",gbk_to_utf8)

gbk转成utf8

import sys

print(sys.getdefaultencoding())

s = '你好'  #默认utf-8

print(s.encode('gbk'))  #utf-8转换成gbk

print(s.encode())  #默认转换成utf-8

print(s.encode('utf-8').decode('utf-8').encode('gb2312')) #转换成gb2312

print(s.encode('utf-8').decode('utf-8').encode('gb2312').decode('gb2312'))#unicode