ascii、latin、gbk、Big5、unicode都是字符集,用字节来表示字符,除了ascii是1个字节表示字符外,
其它都是使用2个字节表示字符。
为了统一,国际标准化组织 ISO,制定unicode用2个字节来统一全世界所有字符。
美国人不同意,因为unicode是2个字节,相比他之前的ascii的1个字节,增加了1倍的储存空间。于是国际标准化组织提出了一种方案,用UTF-8对unicode进行压缩,由2个字节压缩为1个字节。中文转换以后 3 个字节(中文比较特殊,压缩后反而占内存变3个字节,占空间增大),UTF-8 转换过程中会最终生成的是 1-6 个字节不等的数据
所以说UTF-8是Unicode的压缩,也就是编码。
unicode码是字符串类型,只存在内存中,传输(网络)或者存储(硬盘)必须进行编码,如UTF-8 / UTF-16 / UTF-32 / GBK / GB2312(字节,是二进制数据)
# 1. 导入模块
import urllib.request
import urllib.parse
wd = input("请输入查询内容:")
# 2. 发送请求 获取响应
url = "https://www.baidu.com/s?wd="
# 创建请求对象
request = urllib.request.Request(
url=url + urllib.parse.quote(wd),# urllib.parse.quote 把 url 进行转义
headers={
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"
}
)
# 获取响应
response = urllib.request.urlopen(request)
# 3. 处理数据
data = response.read()
# 把二进制 通过 UTF-8 解码成 unicode
string = data.decode('utf-8')
# 如果写入是一个 w 其实内部需要操作 字符串 转 二进制 写入硬盘
# unicode 数据 编码成 UTF-8
with open('01-baidu.html','w',encoding='utf-8') as f:
f.write(string)
unicode码是字符串类型,只存在内存中,传输(网络)或者存储(硬盘)必须进行编码,如UTF-8 / UTF-16 / UTF-32 / GBK / GB2312(字节,是二进制数据)。
data = response.read()是从网络上传输的数据,是二进制数据;因为以w模式写入,得是字符串,所以要用utf-8解码;而写入硬盘,在硬盘中数据形式得是二进制,所以要encoding='utf-8'进行编码,转成二进制。