Python编码问题详解

最新推荐文章于 2022-10-07 09:27:38 发布

南瓜派PumpkinPie

最新推荐文章于 2022-10-07 09:27:38 发布

阅读量484

点赞数 2

分类专栏： Python 文章标签： python 编码

本文链接：https://blog.csdn.net/banban008/article/details/97158827

版权

Python 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

当你在进行读写操作出现如下报错
UnicodeEncodeError: ‘utf-8’ codec can’t encode character ‘\u704f’ in position 0
或者乱码，那么看这篇文章是对的

什么是编码和解码

计算机只认识0或1组成的二进制数，而人类只认识文字，必须要有一个从文字到0，1的映射。从文字到0，1的映射称为编
码，反过来从0，1到文字叫解码

编码和解码常用在文件读写，数据传输过程。

编码方式有很多种，每个人都可以自己定义一套编码方式，缺点是无法通用。不知道编码方式，那么就无法解码，或者说解出来的是乱码

几种编码方式

1.ASCII

ASCII是美国国家标准学会制定的编码规则，将英文字符映射到一个二进制位。ASCII 码一共规定了128个字符的编码，比如空格SPACE是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的一位统一规定为0。

一个字符 = 一个字节

2.GBK,GB2312,GB18030

这三个是中文编码家族

GB2312 最早一版的中文编码，每个字占据2bytes。由于要和ASCII兼容，那这2bytes最高位不可以为0了（否则和ASCII会有冲突）。在GB2312中收录了6763个汉字以及682个特殊符号，已经囊括了生活中最常用的所有汉字。

GBK编码后，可以表示的汉字达到了20902个，另有984个汉语标点符号、部首等。每个字依然占2bytes

GB18030编码的中文文件已经有七万多个汉字了，甚至包含了少数民族文字。多出来的汉字用4bytes表示

兼容性关系是GB18030兼容GBK，GBK兼容GB2312，GB2312兼容ASCII

3.UNICODE和UTF-8

前面两个国家就有两套编码方式，还有欧洲，日韩等国使用的文字大相径庭，每个国家都制定一套代码的话，那么不同国家之间的网络交流着实困难。因此统一的一个编码规则应运而生，它就是unicode。Unicode收纳了全世界大部分的字符，所有的字符都有唯一的编码，解决了大家解码冲突。

可是，问题来了，当时绝大数的网络资源都是用英文存储的，而英文只占1个字符就够了，如果按照Unicode存储，将极大地浪费存储资源。

UTF-8 就是在互联网上使用最广的一种 Unicode 的实现方式。其他实现方式还包括 UTF-16（字符用两个字节或四个字节表示）和 UTF-32（字符用四个字节表示）

UTF-8是一种变长的编码方式，他可以用1~4个字节表示一个符号。前面我们提到的编码方式ASCII是一个字符用一个字节表示，GBK是两个字节表示一个字符，都是固定的。

UTF-8 的编码规则很简单，只有二条：

对于单字节的符号，字节的第一位设为0，后面7位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的。

对于n字节的符号（n > 1），第一个字节的前n位都设为1，第n + 1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的 Unicode 码。

unicode符号范围	UTF-8编码方式
0000 0000-0000 007F	0xxxxxxx
0000 0080-0000 07FF	110xxxxx 10xxxxxxx
0000 0800-0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。

>>> a = '水水'
>>> a.encode('ascii')
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

>>> a.encode('gbk')
b'\xcb\xae\xcb\xae'

>>> a.encode('unicode_escape')
b'\\u6c34\\u6c34'

>>> a.encode('utf-8')
b'\xe6\xb0\xb4\xe6\xb0\xb4'
>>>