python解析字符编码中的Unicode和UTF-8

---

版权提示：理论部分 转自 https://www.cnblogs.com/liupp123/articles/8023861.html

---

一、ASCII码

计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这也被称为一个字节（byte）。一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。

在上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。

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1位统一规定为0。

二、非ASCII编码

英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。

但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (ג)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0–127表示的符号是一样的，不一样的只是128–255的这一段。

至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。

中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。

三、Unicode

世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。

可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。

Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字"严"。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表

四、Unicode的问题

需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

比如，汉字"严"的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。

这里就有两个严重的问题，第一个问题是，如何才能区别Unicode和ASCII？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果Unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

它们造成的结果是：1）出现了Unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示Unicode。2）Unicode在很长一段时间内无法推广，直到互联网的出现。

五、UTF-8

互联网的普及，强烈要求出现一种统一的编码方式。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），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8的编码规则很简单，只有二条：

1）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。

2）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。

六、字符串前面加u,r,b的含义

6.1、字符串前加 u

后面的字符串以 Unicode格式进行编码

plate = u"\u6e58AV256G"
print(plate)

输出 湘AV256G，可见，Python3的print就是默认unicode解码的

6.2、字符串前加 r

表示一个普通的字符串

plate = r"\u6e58AV256G"
print(plate)

输出\u6e58AV256G，可见，加r就是一个字符串，没有任何其他含义

6.3、字符串前加 b

b" "前缀表示：后面字符串是bytes 类型，网络编程中，服务器和浏览器只认bytes 类型数据。

如下 Unicode的bytes数据，解码成Unicode

plate = b'\u6e58AV256G'
print(plate)
print(plate.decode("unicode-escape"))

输出

b'\\u6e58AV256G'
湘AV256G

七 、Python中对各种编码的处理

7.1 python2和python3中查看默认编码

在python2中，解析含有中文的“utf-8”编码的文件时，通常会在脚本前加上

　import sys 
　reload(sys) 
　sys.setdefaultencoding('utf-8') 

用来设置默认编码方式，但Python3中删除了这种方式。
笔者通过查看python中的默认编码方式，发现脚本中，已经默认是“utf-8”的编码了
查看python的字符串默认编码

import sys
sys.getdefaultencoding()

输出'utf-8'
python3下

python3.x下应该改为如下方式：

import importlib
importlib.reload(sys)

7.2解析"\u"开头的字符串

"\u6e58"就是unicode编码

plate = "\u6e58AV256G"
print(plate)
plate = "湘AV256G"
print(plate)
plate = u"湘AV256G"
print(plate)
plate = u"\u6e58AV256G"
print(plate)

打印出来，都是湘AV256G，可见以上并没有区别

7.3 Unicode的bytes数据，解码成Unicode

字符串前有个b，表示这个是Bytes型数据

plate = b'\u6e58AV256G'
print(plate)
print(plate.decode("unicode-escape"))

输出

b'\\u6e58AV256G'
湘AV256G

7.3如下utf-8的bytes数据，解码成utf-8
以\x开头

plate = b'\xe6\xb9\x98AV256G'
print(plate)
print(plate.decode("utf-8"))

输出

b'\xe6\xb9\x98AV256G'
湘AV256G

7.4 字符串编码成Unicode

plate = r'湘AV256G'
print(plate)
print(plate.encode('unicode-escape'))

输出

湘AV256G
b'\\u6e58AV256G'

7.5 字符串编码成 utf-8

plate = r'湘AV256G'
print(plate.encode('utf-8'))

输出

b'\xe6\xb9\x98AV256G'

PS：湘AV256G为笔者自编的车牌号，如有雷同，纯属巧合。

八、生成json时无法显示真正的中文

使用json.demp时发现中文以Unicode编码格式保存
如：

import json
print (json.dumps('湘AV256G'))

输出"\u6e58AV256G"
这时候，需要把dumps中的ensure_ascii这个按钮给关闭了，
为啥ensure_ascii这个是默认开启的呢？想想也不难理解，毕竟老美的语言只有127个字母，用ascii的编码会比其他编码节约空间。

如果想在json里输出真正的中文，如下：

import json
print (json.dumps('湘AV256G',ensure_ascii=False))

输出"湘AV256G"