python编码总结

关于ASCII码和Unicode码的来源

计算机只能处理数字，如果要处理文本，需要先将文本转换成数字。早期计算机采用8bit作为一个字节（byte）。所以一个字节最大为255（二进制11111111=十进制255），更大的数字需要更长的字节。

由于计算机是美国人发明，最早只有127个字符被编码到计算机中，即英文常见的大小写字母，数字和一些符合，这个编码表就是ASCII编码。

但是世界各地有各种语言，所以ASCII码不能满足需求了。所以中国制定了GB2312编码，把中文加进去了。其他国家也都有自己的编码。为了统一这个问题，需要一套新的编码，Unicode应运而生。它把所有的语言都统一到这套编码，解决了乱码问题。Unicode也在发展，常用的Unicode是2个字节，非常偏僻的字符需要4个字节。

虽然Unicode解决了乱码问题，但是又产生一个效率问题，Unicode编码币ASCII编码多一倍的存储空间，存储和传输效率降低了。

为了解决这个问题，又出现了把Unicode编码转化成可变长度编码的UTF-8编码。UTF-8是一种把Unicode字符根据不同数字大小分成1-6字节，常用的英文被编成1个字节，汉子通常3个字节，只有生僻的字符才会编码成4-6字节。

python编码

• 一般情况下，windows是gbk编码，linux是utf8编码
• python编程中 系统编码，python编码,文件编码概念

• 系统编码：默认写源码的编辑器的编码方式。它代表了源码文件内的所有内容都是工具此方式编码成二进制流。存入磁盘内。
• python编码：指python内部设置的编码方式。如果不设定的话，python默认ASCII解码方式。如果python源码出现中文的话，默认的ASCII解码会出现问题。要设置成utf8解码。
  
  设置方法：在源文件开头第一行：#-coding:UTF-8-- 或者

import sys
reload(sys)
sys.setdefaultencoding('UTF-8')

• 文件编码：文本的编码方式
  
  python代码中字符串的默认编码与代码文件本身的编码一致。

乱码问题

一般输出乱码的原因就是因为没有按照系统解码的方式就行编码

比如，比如print s, s类型为str，linux系统下系统默认编码为utf8编码，s在输出前就应该编码为utf8。如果s为gbk编码就应该这样输出。print s.decode('gbk').encode('utf8')才能输出中文。window下面情况相同，window默认编码为gbk编码，所以s输出前必须编码为gbk。

python编码转换

字符串在Python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。

decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode('gb2312')，表示将gb2312编码的字符串str1转换成unicode编码。

encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode('gb2312')，表示将unicode编码的字符串str2转换成gb2312编码。

因此，转码的时候一定要先搞明白，字符串str是什么编码，然后decode成unicode，然后再encode成其他编码

python编码检测

可以用isinstance(s, unicode) 来判断是否为unicode，但是这样效率太低，之前我不一定知道字符串是什么编码。所以可以借助python库来完成。

可以用chardet库来实现。下载chardet之后，解压，在里面会得到一个chardet文件夹，把该文件夹放入Lib\site-packages文件夹中即可。

import urllib

import chardet

rawdata = urllib.urlopen('http://www.google.cn/').read()

print chardet.detect(rawdata)

>输出 {'confidence': 0.98999999999999999, 'encoding': 'GB2312'}即可知道编码是GB2312.