Python5 - 字符编码

Python 字符编码

　　　　　　http://www.diveintopython3.net/strings.html

1.在python2默认编码是ASCII, python3里默认是unicode

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)，所以 utf-16就是现在最常用的unicode版本，不过在文件里存的还是utf-8，因为utf8省空间

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

Python3编码实例1：

gbk向下兼容gb18030,gb18030向下兼容gb2312,所以gbk和gb2312的编码是相同的，前提是此中文在gbk和gb2312中都存在

import sys

print(sys.getdefaultencoding())   #python默认编码格式是utf-8

s = "世界你好"  #python3所有数据类型都是unicode

# print(type(s))

s_utf8 = s.encode("utf-8")   #因为默认Unicode，所以直接编码为utf-8

print("utf-8:", s_utf8)  #python3中编码之后用bytes类型输出

s_gb2312 = s_utf8.decode("utf-8").encode("gb2312")  #先从utf-8解码为Unicode，再编码为gb2312

print("gb2312:", s_gb2312)

s_gbk = s_gb2312.decode("gb2312").encode("gbk") #gb2312 转 gbk

print("gbk", s_gbk)

s1_gbk = s_utf8.decode("utf-8").encode("gbk") #utf-8 转 gbk

print("gbk", s1_gbk)

s_unicode = s_gbk.decode("gbk") #gbk 解码为Unicode

print("unicode:", s_unicode)

s1_utf8 = s_unicode.encode("utf-8") # unicode 编码为 utf-8

print("utf-8:", s1_utf8)

输出：

utf-8

utf-8: b'\xe4\xb8\x96\xe7\x95\x8c\xe4\xbd\xa0\xe5\xa5\xbd'

gb2312: b'\xca\xc0\xbd\xe7\xc4\xe3\xba\xc3'

gbk b'\xca\xc0\xbd\xe7\xc4\xe3\xba\xc3'

gbk b'\xca\xc0\xbd\xe7\xc4\xe3\xba\xc3'

unicode: 世界你好

utf-8: b'\xe4\xb8\x96\xe7\x95\x8c\xe4\xbd\xa0\xe5\xa5\xbd'

实例1输出

Python3编码实例2：

import sys

print(sys.getdefaultencoding())   #python默认编码格式是utf-8

s = "世界你好"  #python3字符串的默认编码是unicode

print(s.encode("gbk"))

print(s.encode("utf-8"))

print(s.encode("utf-8").decode("utf-8").encode("gb2312" ))

上图代码

字符编码的历史

ASCII码

ASCII（American Standard Code for Information Interchange，美国标准信息交换代码）是基于拉丁字母的一套电脑编码系统，主要用于显示现代英语和其他西欧语言，其最多只能用 8 位来表示（一个字节），即：2**8 = 256-1，所以，ASCII码最多只能表示 255 个符号。

中文编码

为了处理汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。

GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。

GB2312 支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的 GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

从ASCII、GB2312、GBK 到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。

有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文Windows内码。

gbk向下兼容gb18030,gb18030向下兼容gb2312,所以gbk和gb2312的编码是相同的，前提是此中文在gbk和gb2312中都存在

万国码

显然ASCII码无法将世界上的各种文字和符号全部表示，所以，就需要新出一种可以代表所有字符和符号的编码，即：Unicode

Unicode（统一码、万国码、单一码）是一种在计算机上使用的字符编码。Unicode 是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，规定虽有的字符和符号最少由 16 位来表示（2个字节），即：2 **16 = 65536，
注：此处说的的是最少2个字节，可能更多

UTF-8，是对Unicode编码的压缩和优化，他不再使用最少使用2个字节，而是将所有的字符和符号进行分类：ascii码中的内容用1个字节保存、欧洲的字符用2个字节保存，东亚的字符用3个字节保存...

所以，python解释器在加载 .py 文件中的代码时，会对内容进行编码（默认ascill），如果是如下代码的话：

报错：ascii码无法表示中文

#!/usr/bin/env python

print "你好，世界

改正：应该显示的告诉python解释器，用什么编码来执行源代码，即：

#!/usr/bin/env python

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

print "你好，世界"