字符编码

标签：文字   UI   键盘   asc   日本   print   保存   编码格式   相对   

1、关于Python解释器

• 文本编辑器存取文件的原理，比如我们新建一个a.py文件
• 打开编辑器就像打开了一个进程，在内存中运行，所以编辑器内的内容也是在内存中的具有易失性，当你点击点击保存，就是把编辑的内容刷到硬盘上了，这时候，a.py文件就相当于普通文件，都是一堆字符而已

Python解释器执行py文件的原理

• 第一步：Python解释器首先启动，相当于启动了一个文件编辑器
• 第二步：Python解释器去硬盘上把a.py文件再刷到内存中，
• 第三步：Python解释器解释执行刚刚加载到内存中的a.py文件

小结：Python解释器是解释执行文件内容的，而文本编辑器只能读文件，不能执行

2、什么是字符编码

计算机只能识别高电频1和低电频0，我们该如何让我们自己认识的文件让计算机认识呢，我们必须让我们的每个字符都有一个特定数字标准来让计算机识别，这个标准就是字符编码

3、字符编码的发展史

• 阶段一，首先是美国搞得，基于英文考虑的ASCLL：一个Bytes代表一个字符（英文字符/键盘上的所有的字符），因为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：为了让计算机识别中文，中国人定制了GBK,日本人也编写了Shift_JIS，韩国也编写了。。。。
• 阶段三：这样下去，各国由各国的标准，肯定会有冲突，在多语言的文本中，显示就会有乱码，为了解决这个问题，于是就产生了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（二进制最终都是以电或者磁的方式存储到存储介质中的）于是产生了UTF-8，对英文字符只用1Bytes表示，对中文字符用3Bytes

小结：

• nuicode：相对简单粗暴，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

内存中使用的编码是unicode，用空间换时间，因为程序都要在内存中运行，所以，内存“快”才是第一位，硬盘或者网络传输用的是utf-8，这样是为了保证数据传输稳定性，在传输过程中，还要尽量节省带宽至于utf-8的转换延迟，要小于网络延迟或硬盘I/O延迟。

内存与硬盘的I/O操作

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。

小结：

无论是何种编辑器，要防止文件出现乱码（请一定注意，存放一段代码的文件也仅仅只是一个普通文件而已，此处指的是文件没有执行前，我们打开文件时出现的乱码），核心法则就是，文件以什么编码保存的，就以什么编码方式打开

 Python2和Python3的区别

• 在Python2中有两种字符类型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‘encode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

1 #_*_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

 重点：

 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‘)

当打印到终端时

对于print需要特别说明的是：

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，都不会出现乱码

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

但是在python2中存在另外一种非unicode的字符串，此时，print x，会按照终端的编码执行x.decode(‘终端编码‘)，变成unicode后，再打印，此时终端编码若与文件开头指定的编码不一致，乱码就产生了

因为：

在pycharm中（终端编码为utf-8，文件编码为utf-8，不会乱码）

而在Windows终端

在windows终端（终端编码为gbk，文件编码为utf-8，乱码产生）

• 在Python3中也有两种字符串类型str和bytes

str是unicode

#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是bytes

#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‘>

字符编码

标签：文字   UI   键盘   asc   日本   print   保存   编码格式   相对   

原文地址：http://www.cnblogs.com/Neeo/p/6993307.html