20180411-----Python编码

字符编码

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）

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。

 

关于中文

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。

 

 

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：

python2中文件的默认编码为ASCII，在文件中含有中文的时候就会报错：ascii码无法表示中文

1 2 3

#!/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：

1 2 3 4

#!/usr/bin/env python # -*- coding: utf-8 -*-    print  "你好，世界"

在python3中，文件的默认编码为Unicode，已经不存在这个问题。

总结：

1.为了处理英文字符，产生了ASCII码。 
2.为了处理中文字符，产生了GB2312。 
3.为了处理各国字符，产生了Unicode。 
4.为了提高Unicode存储和传输性能，产生了UTF-8，它是Unicode的一种实现形式。

Python2中的字符编码

1.Python2中默认的字符编码是ASCII码，也就是说Python在处理数据时，只要数据没有指定它的编码类型，Python默认将其当做ASCII码来进行处理。这个问题最直接的表现在当我们编写的python文件中包含有中文字符时，在运行时会提示出错。如图：

这个问题出现的原因是：Python2会将整个python脚本中的内容当做ASCII码去处理，当脚本中出现了中文字符，比如这里的“小明”,我们知道ASCII码是不能够处理中文字符的，所以出现了这个错误。解决的办法是：在文件头部加入一行编码声明，如图：

这样，Python在处理这个脚本时，会用UTF-8的编码去处理整个脚本，就能够正确的解析中文字符了。

decode()与encode()方法

我们首先要学习Python为我们提供的两个转换编码的方法decode()与encode()。

decode()方法将其他编码字符转化为Unicode编码字符。 
encode()方法将Unicode编码字符转化为其他编码字符。

所谓乱码本质上是系统编码与所提供字符的编码不一致导致的，我们举一个例子：

小明的电脑中存了一个utf-8的字母A，存储在计算机中是1100001；

小红的电脑中也存了一个gb2312的字母A，存储在计算机中是11000010；

当小明与小红交换信息时，各自的计算机就不会把对方传递过来的A识别为字母A，可能认为这是字母B。

所以当我们需要操作系统正确的输出一个字符时，除了要知道该字符的字符编码，也要知道自己系统所使用的字符编码。如果系统使用的是UTF-8编码，处理的却是gb2312的字符就会出现所谓“乱码”。

一个Tips：

decode()方法与在字符串前加u的方法实现的效果相同比如u’小明’

总结：

1.Python2的对于字符编码的转换要以unicode作为“中间人”进行转化。

2.知道自己系统的字符编码（Linux默认utf-8，Windows默认GB2312），对症下药。

所以我们再次强调：乱码本质上是系统编码与所提供字符的编码不一致导致的

在Pyhon3中字符编码有了很大改善最主要的有以下几点：

1.Python 3的源码.py文件 的默认编码方式为Unicode，所以在Python3中你可以不用在py脚本中写coding声明，并且系统传递给python的字符不再受系统默认编码的影响，统一为unicode编码。

2.将字符串和字节序列做了区别，字符串str是字符串标准形式与2.x中unicode类似，bytes类似2.x中的str有各种编码区别。bytes通过解码转化成str,str通过编码转化成bytes。