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"

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值