python3中編碼與解碼的問題
?
?
ASCII 、Unicode、UTF-8
?
ASCII
我們知道，在計算機內部，所有的信息最終都表示為一個二進制的字符串。每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱為一個字節（byte）。也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從0000000到11111111。
上個世紀60年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關系，做了統一規定。這被稱為ASCII碼，一直沿用至今。
ASCII碼一共規定了128個字符的編碼，比如空格“SPACE”是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只占用了一個字節的后面7位，最前面的1位統一規定為0。
英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用ASCII碼表示。于是，一些歐洲國家就決定，利用字節中閑置的最高位編入新的符號。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。
但是，這里又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (?)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0—127表示的符號是一樣的，不一樣的只是128—255的這一段。
至于亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。比如，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示256x256=65536個符號。
?
Unicode
世界上存在著多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什么電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。
Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字“嚴”。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。
需要注意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。
比如，漢字“嚴”的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符號的表示至少需要2個字節。表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。
這里就有兩個嚴重的問題，第一個問題是，如何才能區別unicode和ascii？計算機怎么知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果unicode統一規定，每個符號用三個或四個字節表示，那么每個英文字母前都必然有二到三個字節是0，這對于存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。
它們造成的結果是：1）出現了unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示unicode。2）unicode在很長一段時間內無法推廣，直到互聯網的出現。
?
UTF-8
互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其他實現方式還包括UTF-16和UTF-32，不過在互聯網上基本不用。重復一遍，這里的關系是，UTF-8是Unicode的實現方式之一。
UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。
UTF-8的編碼規則很簡單，只有二條：
1）對于單字節的符號，字節的第一位設為0，后面7位為這個符號的unicode碼。因此對于英語字母，UTF-8編碼和ASCII碼是相同的。
2）對于n字節的符號（n>1），第一個字節的前n位都設為1，第n+1位設為0，后面字節的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的unicode碼。
下表總結了編碼規則，字母x表示可用編碼的位。
Unicode符號范圍 | UTF-8編碼方式
(十六進制) | （二進制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
下面，還是以漢字“嚴”為例，演示如何實現UTF-8編碼。
已知“嚴”的unicode是4E25（100111000100101），根據上表，可以發現4E25處在第三行的范圍內（0000 0800-0000 FFFF），因此“嚴”的UTF-8編碼需要三個字節，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，從“嚴”的最后一個二進制位開始，依次從后向前填入格式中的x，多出的位補0。這樣就得到了，“嚴”的UTF-8編碼是“11100100 10111000 10100101”，轉換成十六進制就是E4B8A5。
?
?
python3中的編碼與解碼
?
前言
Python3 最重要的一項改進之一就是解決了 Python2 中字符串與字符編碼遺留下來的這個大坑。
使用 ASCII 碼作為默認編碼方式，對中文處理很不友好。
把字符串的牽強地分為 unicode 和 str 兩種類型，誤導開發者
Python3 把系統默認編碼設置為 UTF-8
文本字符和二進制數據區分得更清晰，分別用 str 和 bytes 表示。文本字符全部用 str 類型表示，str 能表示 Unicode 字符集中所有字符，而二進制字節數據用一種全新的數據類型，用 bytes 來表示。
?
?
str與bytes
str
str1 =
"
a
"
print
(type(str1),str1)
str2
=
"
一
"
print
(type(str2),str2)
結果：
<
class
'
str
'
>
a
<
class
'
str
'
> 一
bytes
Python3 中，在字符引號前加‘b’，明確表示這是一個 bytes 類型的對象，實際上它就是一組二進制字節序列組成的數據，bytes 類型可以是 ASCII范圍內的字符和其它十六進制形式的字符數據，但不能用中文等非ASCII字符表示。
b1 = b
"
a
"
print
(type(b1),b1)
b2
= b
'
\xe7\xa6\x85
'
print
(type(b2),b2)
結果：
<
class
'
bytes
'
> b
'
a
'
<
class
'
bytes
'
> b
'
\xe7\xa6\x85
'
bytes字符串的組成形式，必須是十六進制數，或者ASCII字符。
?
python2 與 python3 字節與字符的對應關系：
?
| PYTHON2 | PYTHON3 | 表現 | 轉換 | 作用 |
|---|---|---|---|---|
| str | bytes | 字節 | encode | 存儲 |
| unicode | str | 字符 | decode | 顯示 |
?
?
encode 與 decode
?
str 與 bytes 之間的轉換可以用 encode 和從decode 方法。
encode 負責字符到字節的編碼轉換。默認使用 UTF-8 編碼準換。
s1 =
"
python編碼與解碼
"
res
=
s1.encode()
print
(res)
res
= s1.encode(
"
gbk
"
)
print
(res)
結果：
b
'
python\xe7\xbc\x96\xe7\xa0\x81\xe4\xb8\x8e\xe8\xa7\xa3\xe7\xa0\x81
'
b
'
python\xb1\xe0\xc2\xeb\xd3\xeb\xbd\xe2\xc2\xeb
'
?
decode 負責字節到字符的解碼轉換，通用使用 UTF-8 編碼格式進行轉換。
print
(b
'
python\xe7\xbc\x96\xe7\xa0\x81\xe4\xb8\x8e\xe8\xa7\xa3\xe7\xa0\x81
'
.decode())
print
(b
'
python\xb1\xe0\xc2\xeb\xd3\xeb\xbd\xe2\xc2\xeb
'
.decode(
"
gbk
"
))
結果：
python編碼與解碼
python編碼與解碼
?
?
UTF-8與GBK
#
不管是utf-8，還是gbk，都可以理解為一種對應關系（若干個十六進制數<——>某個字符）：
s3 = u
"
編碼
"
utf8
= s3.encode(
'
utf-8
'
)
print
(type(utf8))
print
(len(utf8))
print
(utf8)
gbk
= s3.encode(
'
gbk
'
)
print
(type(gbk))
print
(len(gbk))
print
(gbk)
#
utf-8用三個十六進制來表示一個中文字符
#
gbk用二個十六進制來表示一個中文字符。
#
結論：encode()函數根據括號內的編碼方式，把str類型的字符串轉換為bytes字符串，字符對應的若干十六進制數，根據編碼方式決定
結果：
<
class
'
bytes
'
>
6
b
'
\xe7\xbc\x96\xe7\xa0\x81
'
<
class
'
bytes
'
>
4
b
'
\xb1\xe0\xc2\xeb
'
?
?
字符編碼聲明
源代碼文件中，如果有用到非ASCII字符，則需要在文件頭部進行字符編碼的聲明，如下：
#
-*- coding: UTF-8 -*-
實際上Python只檢查
#
、coding和編碼字符串，其他的字符都是為了美觀加上的。另外，Python中可用的字符編碼有很多，并且還有許多別名，還不區分大小寫，比如UTF-8可以寫成u8。參見http://docs.python.org/library/codecs.html#standard-encodings。
?
?
?
chardet
chardet是用來檢測編碼的，對于未知的bytes，要把它轉換為str，我們并不知道它的編碼方式，而chardet可以幫我們檢測編碼。
?
>>> chardet.detect(b
'
Hello, world!
'
)
{
'
encoding
'
:
'
ascii
'
,
'
confidence
'
: 1.0,
'
language
'
:
''
}
檢測出的編碼是
ascii
，注意到還有個
confidence
字段，表示檢測的概率是1.0（即100%）。
?
檢測GBK編碼的中文：
>>> data =
'
離離原上草，一歲一枯榮
'
.encode(
'
gbk
'
)
>>>
chardet.detect(data)
{
'
encoding
'
:
'
GB2312
'
,
'
confidence
'
: 0.7407407407407407,
'
language
'
:
'
Chinese
'
}
檢測的編碼是
GB2312
，注意到GBK是GB2312的超集，兩者是同一種編碼，檢測正確的概率是74%，
language
字段指出的語言是
'Chinese'
。
?
UTF-8編碼進行檢測：
>>> data =
'
離離原上草，一歲一枯榮
'
.encode(
'
utf-8
'
)
>>>
chardet.detect(data)
{
'
encoding
'
:
'
utf-8
'
,
'
confidence
'
: 0.99,
'
language
'
:
''
}
?
?
?
?
?refence：
http://python.jobbole.com/88277/?utm_source=blog.jobbole.com&utm_medium=relatedPosts
http://python.jobbole.com/82107/
https://blog.csdn.net/anlian523/article/details/80504699
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
