Python 中的字符串、字节串和字符编码utf-8（个人笔记）

Python 中的字符串、字节串和字符编码utf-8（个人笔记）

前言

我们在写python脚本时，经常能看到 utf-8 ，那这个 utf-8到底是干嘛的呢？

除了 utf-8 还有哪些常用的编码？

UTF-8

UTF-8 英文全称为 Unicode Transformation Format 8 Bits

其中 Unicode 也是缩写， 英文全称为 Universal encoding 通用编码

Unicode 提供的编码方案和 ASCII表格类似，但是相对而言庞大得多。

你可以用32位去编码一个 Unicode 字符，这对我们能找到的所有语言都够了。但是太浪费了，不是吗？

UTF - 8 就是一种巧妙的解决方案，

UTF-8 ：一个编码约定，就是一种压缩编码的方式，针对常见字符使用8位，需要的时候再去使用 16位 或者 32 位。

---

补充

unicode 出现了，很好，但是还有一个问题。 字符怎么存储和传输。

由于历史原因，计算机是 以字节为单位 来 存储和传输数据的，一个字节 由 8位二进制数字表示，最多可以表示从0到255， 一共256个字符。

最初只有ASCII码的时候，一个字节 就可以存储传输任何文字。

但是unicode里面有10多万的文字符号，数字范围 远远 超过 一个字节所能代表的数字。

所以一个字节不够。

那么怎么用多个字节来 表示这些数字呢？

这就有需要另外的规范。这些 如何用字节表示 字符对应的数字 就是 字符编码 规范

unicode字符 的编码，最常用的规范是 UTF8 和 UTF16 。

比如 UTF8 表示 中文字符 你 ，就是用 3个字节表示的，对应的16进制表示是 E4 、BD、 A0

当然我们中文字符集gb（国标）系列使用另外的编码规范。

字符串编码

Python语言要对字符串对象 进行存储和传输的时候，是不能直接传输的，必须要先编码

通常要使用字符串的encode方法，参数指定编码方式，编码为一个 bytes 对象。

bytes对象的底层就是用一个个的字节来存储字符串中的文字的。

同样的字符串，用不同的编码方式，有时会产生不同的bytes结果。

比如

print ('你好'.encode('utf8'))  
print ('你好'.encode('gbk'))   

输出内容 中 b 开头，表示这是一个 字节串bytes 对象

\x 说明是用 16进制 表示一个字节（2个 16进制 是一个字节）

你好 两个字，使用 utf8 编码 后的字节串，用16进制来表示 就是6个字节 e4bda0 e5a5bd

e4bda0 对应 你
e5a5bd 对应 好

你好 两个字，使用 gbk 编码 后的字节串，用16进制来表示 却是4个字节 c4e3 bac3

c4e3 对应 你
bac3 对应 好

encode方法返回的是 编码后的字节串对象bytes ，编码为字节串对象 bytes 就可存储到文件或者传输到网络中去了。

字节串解码

当我们的Python程序从文件中读入文字信息， 从网络上接收 文字信息，获取的数据通常是使用某种字符编码后的 字节串。

程序通常需要解码这些 字节串 为 字符串 ，这样才方便程序 理解和处理 字符信息。

Python语言的解码 都是解码成 unicode字符串对象。

要解码字节串，必须要知道这个字节串是用什么字符编码的方式进行编码的。

如果知道了，就可以用字节串对象的decode方法 进行解码，参数指定了编码方式

比如

print(b'\xe4\xbd\xa0\xe5\xa5\xbd'.decode('utf8'))
print(b'\xc4\xe3\xba\xc3'.decode('gbk'))

上面的两行代码都可以解码出 字符串 ‘你好’

如果不小心写错了参数指定的编码方式，就可能返回错误解码结果 ， 比如

print(b'\xe4\xbd\xa0\xe5\xa5\xbd'.decode('gbk'))
返回 浣犲ソ

或者解码失败报错，比如

print(b'\xc4\xe3\xba\xc3'.decode('utf8'))

报如下错误：
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc4 in position 0: invalid continuation b

一些字符编解码技巧

unicode数字转换为字符

把 unicode数字转换为字符， 使用函数 chr() , 比如：

>>> chr(50)
'2'
>>> chr(20013)
'中'
>>> chr(0x4e2d)  # 0x开头表示数字是16进制
'中'

字符转换为unicode数字

反过来，要把 字符转换为对应的unicode数字，使用函数 ord()

该函数参数字符串里面只能有一个字符

>>> ord('2')
50
>>> ord('中')
20013

字符串编码为 unicode转义数字

除了utf8，gbk 还有一种常见的编码方式，叫做 unicode-escape ，就是直接用unicode数字字符串表示字符，如下所示

>>> '力矩'.encode('unicode-escape')
b'\\u529b\\u77e9'

用unicode转义数字 写字符串

>>> b'\\u529b\\u77e9'
'力矩'

直接用16进制数字创建 bytes

>>> b'\xc1\xa6\xbe\xd8'
b'\xc1\xa6\xbe\xd8'

>>> b'\xc1\xa6\xbe\xd8'.decode('gbk')
'力矩'

字节串 和 16进制表示字节的字符串

>>> a = b'hello,123'
>>> a.hex()
'68656c6c6f2c313233'

反向操作，把 16进制表示字节的字符串 转化为 字节串就是

>>> bytes.fromhex('68656c6c6f2c313233')
b'hello,123'

总结

简单的说

# 解码
strings = bytes.decode()

# 编码
bytes = str.encode()