1. Unicode 的历史:
(摘自python文档Howto部分)
1968年,美国的ACSII(the American Standard Code for Information Interchange)提出了使用0-127的表示字符。但是,这没有考虑到重音字 母, 比如‘é’之类的。
1980年代,所有的个人电脑都是8位, 可以表示0-255的所有字符。也出现了对应于不同语言的编码, 比如俄语的 KOI8编码和法语使用的Latin1编码。但是,此时一个文件就只能用一种编码。如果要混用(比如英语里混用法语),这时候单一语种的编码就出了问题。为了便于国际化,出现了Unicode编码。
最初的Unicode编码只有16bit,但是后来发现还是没法代表地球上所有语言的所有字母,所以后来扩展到了4字节, 目前是0-0x10FFFF。
但是这样的编码模式,每个字符都占用多字节,会造成很大浪费。所以,后来出现了UTF-8,UTF-16等变种。
Unicode使用16进制值表示字符,称为码点(下面例子中的第二行)。把Unicode字符串转化为二进制字节流的过程,称为编码(encoding)。
比如把一个字符串‘Python’表示为二进制字节流:
P y t h o n
0x50 00 00 00 79 00 00 00 74 00 00 00 68 00 00 00 6f 00 00 00 6e 00 00 00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
但是这样存储到计算机内,就会占用24个字节,太浪费空间。所以一般使用UTF-8等轻量级,可变字节的编码方式。
编码一个Unicode字符串不必对每个字符都处理,如把Unicode转为ASCII的过程:
-
如果 Unicode码点 < 128, 则每个字符都不用再处理,还是使用原有的码点表示。
-
如果 Unicode码点 >= 128, 则此时就无法完成转化(如python中会抛出 UnicodeEncodeError 异常)。
UTF-8:
作为一种最常用的编码格式。是Unicode的子集。UTF代表"Unicode Transformation Format",8代表使用8位来编码(变为二进制字节流)。
UTF-8使用以下规则:
- 如果码点 < 128, 编码为对应二进制数值。
- 如果码点 >= 128,转化为 2到4个字节的二进制数值。每个字节的值在128-255之间。
常用格式总览:
编码格式 | 长度 | 描述 |
---|---|---|
ASCII | 单字节(0-127) | 定义了0-127的字符代码,每个字符存储在一个8位的字节中 |
Latin-1 | 单字节(0-255) | 使用一个8位字节的所有可能(0-255)来表示字符,并把(ASCII值之外的)值128-255分配给特殊字符 |
Unicode | 多字节 (目前是0-0x10FFFF) | 通常用在国际化的程序中 |
UTF-8 | 可变(1-4)字节 | 比如:小于128的字符表示为单个字节,128-2047的表示为两个字节 |
2. Python2 和 Python3的编码
转自这里:Python 编码为什么那么蛋疼? - 冯若航的回答 - 知乎
写的很好,总结一下,核心就是: python2里面的str是字节串,他Y的根本不是字符串。