python笔记——二进制和文件编码

二进制：二进制是数学和数字电路中使用的记数系统，计算机使用的是二进制。因为电子器件只有通电和不通电两种状态，二进制方便计算机进行运算。

用打地鼠解释二进制：先解释一下二进制，举个例子，大家应该都玩过打地鼠。比特是计算机里最小的存储单位，用来存放一位0或1，就好比用来存放一个地鼠的洞（不管地鼠在不在，洞得在)。规定8个比特（bit）构成一个字节（byte）。

流量计算：1B(byte)=8bit,1KB=1024B,1MB=1024KB,1GB=1024MB……我们常说百兆宽带下载速度最多十几兆，这是因为我们理解的单位不一样，运营商说的百兆是百兆bit,我们通常理解的是百兆byte，8倍的关系！

二进制换算十进制：每一个洞（对应比特）都可以对应有地鼠（用1表示）和无地鼠（用0表示）两种状态。那么n个洞就可以表示种状态。

0=0，1=1，00=0，01=1，10=2，11=3，000=0，001=1，010=2，011=3，100=4，……以此类推。

---

编码的本质：相当于一种翻译。计算机最早发明的时候就是计算工具，只是用来处理数字。但随着计算机发展，人们还想让它认识我们的语言符号，那就需要一个翻译，将形态各异的人类语言翻译给只能理解0和1的计算机，并将数据转换为二进制进行存储和传输。

字符编码可以阅读一下百度百科：https://baike.baidu.com/item/字符编码/8446880?fr=aladdin#2

接下来我们简单按历史顺序介绍一下各种编码。

ACSII码：美国人来最早，那就把52个英文大小写字母+数字+还有一些其他常用符号（#，*，@等）对应到二进制，算来也就100来个，用7个比特位就够了。标准ACSII码对应7个二进制位。

扩充ASCII码：后来欧洲人也来了，虽然欧洲大部分也是用英文字母，但还是有很多不一样啊，比如法语中英文字母上还带符号的呢。所以在欧洲，ACSII码扩充到8个比特位（刚好计算机一般按字节（byte=8bit）为基本处理单位）。

GB2312：好了，现在中国人来了，这下头大了，中国人用的汉字，美国人欧洲人编的ACSII码根本没法用啊，于是勤劳的中国人自己编了一张GB2312编码表，用2个字节来表示大部分汉字（65535个）。

GBK: 没办法中文博大精深，来个GBK才能显示更多更完整的中国汉字。相当于GB2312的升级版。

其他编码和乱码：其他好多国家也搞自己的编码标准。所以一旦用的编码表不同，就会出现乱码现象。现在你知道你经常打开excel/word看到的哪些鬼画符怎么来的了吧。编码表搞错了呗，就好像一个中国人听到一句法语，"Bonjour",他硬要用汉语的声音解释：“棒猪呵！”那哪能懂他说的是什么嘛，这样子去理解别的语言听起来不就是鬼话连篇嘛。

Unicode(万国码): 为了方便地球上所有人沟通，人们创造了unicode(相当于世界通用语言)，unicode把世界上几乎所有符号都收进来（现在unicode中有100多万个符号）。优缺点：unicode虽然能解决乱码问题，但是它为了表示更多的符号就占用了两个字节（16个比特位）。这就造成了计算机存储空间的浪费，用一句俗气的话解释unicode导致很多字符处于“一个字符拉屎却要占着十几个坑”的状态，你说是不是浪费资源！因此UTF-8应运而生！

UTF-8:是针对unicode的可变长度字符编码（可以用1~4个字节表示一个符号）。比如字符全在ASCII码范围内，UTF-8就只用一个字节，所有UTF-8向下兼容ASCII码。好家伙，真是厉害！

Unicode和UTF-8的区别：简单来说就是，Unicode是字符集，将字符和码位一一对应起来；而UTF-8实质上是一种编码规则，它根据Unicode中对应每个字符的比特位的长度将其对应到1~4个字节（最长可以有6个）。

---

讲了一大堆，下面还是要晒晒代码，很简单，没啥技术含量：

编码注释：比如我在spyder新建了一个py脚本，第一行会自动出现一个编码注释：

# -*- coding: utf-8 -*-

这个注释就是说在我没有特殊声明的情况下，python自动选择UTF-8编码。

编码：encode()

解码：decode()

print('砍柴姑娘'.encode('utf-8'))#砍柴姑娘按utf-8编码
print('砍柴姑娘'.encode('gbk'))#砍柴姑娘按gbk编码
print(b'\xe7\xa0\x8d\xe6\x9f\xb4\xe5\xa7\x91\xe5\xa8\x98'.decode('utf-8'))#按utf-8解码
print(b'\xbf\xb3\xb2\xf1\xb9\xc3\xc4\xef'.decode('gbk'))#按gbk解码

那这里b'\xbf\xb3\xb2\xf1\xb9\xc3\xc4\xef'这种奇奇怪怪的字符其实就是bytes类型数据，不信你print(type())看下。

 

今天就说这么多吧，解释这些个东西真是累。但还是要加油鸭！感觉写出来自己也明白了不少，嘿嘿。