问题引子
在处理文本输入的时候, 当我想用Python自带的decode和encode去解析unicode的时候, 通常来讲除去编码不对, 正常来讲是可以解析的, 并且会返回一个正确的utf8字节串
s = u'龙'.encode('utf8')
# s : '\xe9\xbe\x99'
但是当我们处理4字节的unicode字符的时候, 就会返回不正确的结果, 而且返回的字节数量竟然是2. 这里明显是解析错误了
s = u'𤋮'.encode('utf8')
#s : '??'
len(s) # 2
为什么会出现这样的情况???
UTF8 与 Unicode
-
什么是Unicode
网络上的解释:
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