python中utf8占几个字节_【python系统学习16】编码基础知识(示例代码)

编码

计算机是怎么传输和存储数据的？

就是把人类认识的中英文字、其他国家语言、数字甚至运算符等符号转成二进制的0、1，并进行存储和传输。

编码

人类语言：中英文字、其他国家语言、数字甚至运算符等符号

计算机语言：二进制的0、1【没错，计算机只认识0和1】

编码：将人类语言转换为计算机语言。

除了0、1这些阿拉伯数字，像a、b、c这样的52个字母(包括大小写)，还有一些常用的符号(例如*、#、@等)在计算机中存储时也要使用二进制数来表示，而具体用哪些二进制数字表示哪个符号，理论上每个人都可以有自己的一套规则(这就叫编码规则，形成编码表)。

如果使用了不同的编码规则，就会有计算机识别不了的情况，出现乱码。

进制

二进制、八进制、十六进制。

八进制和十六进制分别是二进制的3次方和4次方。方便和二进制之间非常直接的相互转换

二进制

由0和1构成的

二进制

十进制

00

0

01

1

10

2

11

3

100

4

101

5

110

6

111

7

1000

8

二进制的00，代表十进制的0

二进制的01，代表十进制的1

二进制的10，代表十进制的2【笑话：世界上有10种人，懂二进制的和不懂二进制的】

二进制的11，代表十进制的3

二进制的100，代表十进制的4

以此类推...

当有两位数时，我们可以表示0到3，共4种状态，即2的平方

当有三位数时，我们可以表示0到7，共8种状态，即2的三次方

当有八位数时，我们可以表示0到255，共256种状态，即2的8次方

八进制

使用0、1、2、3、4、5、6、7组成的

十六进制

使用0、1、2、3、4、5、6、7、8、9、a、b、c、d、e、f组成的

ASCII编码表中的“K”

二进制

八进制

十进制

十六进制

字母

01001011

113

75

4B

K

注意这里还是大写的字母K哦～

存储单位

计算机里的存储单位

位/比特(bit)

位：又叫比特(bit)是计算机里最小的存储单位。用来存放一位二进制书，即0或1。

字节(byte)

八个比特是一个字节，是计算机里最常用的单位。简写“B”

千字节(Kilobyte)

兆字节(Megabyte)

简称“兆”

吉字节(Gigabyte)

又叫千兆

单位换算

1B(byte 字节) = 8bit

1KB(Kilobyte 千字节) = 1024B

1MB(Megabyte 兆字节) = 1024KB

1GB(Gigabyte) = 1024MB

为什么办的100兆的宽带，撑死就只有10几兆的下载速度？

因为运营商的带宽是以比特每秒为单位的，比如100M就是100Mbit/s。

而我们常看到的下载速度KB却是以字节每秒为单位显示的，1byte = 8bit，所以运营商说的带宽得先除以8，你的百兆宽带下载速度，也就是十几兆了。

编码表

为了避免乱码，人类就约定了一套共同的编码规则。就像计算机世界的新华字典、牛津英语字典。

编码表历史

ASCII

ASCII编码(读音：/??ski/)，美国首先出台。统一规定了常用符号用哪些二进制数来表示。

因为英文字母、数字再加上其他常用符号，也就100来个，因此使用7个比特位(最多表示128位)就够用了，所以一个字节中被剩下的那个比特位就被默认为0。

但欧洲不光有英语，还有法语字母上的注音符。于是欧洲用了美国剩下的那个比特位，普遍使用一个全字节(8个比特位)进行编码，最多可表示256位，至此，一个字节就用满了！

ASCII统一了前面0-127位，但从状态128到255这一段的解释就完全乱套了，比如135在法语，希伯来语，俄语编码中完全是不同的符号。

GB2312和GBK

中国10万汉字，256位也不够用。于是一张新编码表GB2312被中国科学家发明了。

用2个字节，也就是16个比特位，来表示绝大部分(65535个)常用汉字。后来，为了能显示更多的中文，又出台了GBK标准。

Unicode

因各个国家的编码表都不同。不同国家间通信又会乱码。

于是Unicode(万国码)来统一。

这套编码表将世界上所有的符号都纳入其中。每个符号都有一个独一无二的编码，现在Unicode可以容纳100多万个符号，所有语言都可以互通，一个网页上也可以显示多国语言。

万国码的缺点是让英文字符被迫占用两个字节，耗费计算机存储空间。(如A：用00010001就行，但是为了顺从统一，需要用两个字节：00000000 00010001)

UTF-8

UTF-8(8-bit Unicode Transformation Format)被提出。针对Unicode的可变长度字符编码。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。而当字符在ASCII码的范围时，就用一个字节表示，所以UTF-8还可以兼容ASCII编码。

Unicode与UTF-8这种暧昧的关系一言以蔽之：Unicode是内存编码的规范，而UTF-8是如何保存和传输Unicode的手段。

编码表对比

编码表

适用性

特点

ASCII码

英文大小写，字符，不支持中文

美国人发明，占用空间小，用一个字节就行

GB2312码、GBK码

支持中文

中国人发明，GBK是GB2312的升级，增加了更多原来没有的文字字符

Unicode码

支持国际语言，万国码

适用性强但占用空间大。在ASCII码前面补8个bit位就是Unicode码

UTF-8码

支持国际语言

Unicode的升级，两者容易互相转化。占用空间小、适用性强。ASCII码被UTF-8码包含。

编码方案使用情况表

编码表

当前使用情况

备注

ASCII码

-

-

GB2312码、GBK码

中文的文件和中文网站，使用GBK、GB2312

-

Unicode码

计算机内存中处理数据时使用的统一标准格式

Python3中，程序处理我们输入的字符串使用Unicode编码

UTF-8码

数据在硬盘上存储，或者网络上传输时，用的UTF-8

因为节省空间。程序来转换编码。

基于上表，有时候面对不同编码的数据，我们还需要手动操作实现编码转换。就要用到encode(编码)和decode(解码)。

编码操作和解码操作

编码：encode()

语法：

‘你想编码的内容‘.encode(‘你使用的编码表名称‘)

用法：

print(‘一天打鱼两个月晒网的小石头‘.encode(‘utf-8‘))

# b‘xe4xb8x80xe5xa4xa9xe6x89x93xe9xb1xbcxe4xb8xa4xe4xb8xaaxe6x9cx88xe6x99x92xe7xbdx91xe7x9ax84xe5xb0x8fxe7x9fxb3xe5xa4xb4‘

print(‘I Love U‘.encode(‘gbk‘))

# b‘I Love U‘

print(‘小石头‘.encode(‘utf-8‘))

# b‘xe5xb0x8fxe7x9fxb3xe5xa4xb4‘

将上述人类语言编码得到机器语言后的打印结果在注释里。

字母b

这里之所以有个字母b，代表他是bytes(字节)类型的数据。

可以用type()函数验证一下：

print(type(b‘xe5xb0x8fxe7x9fxb3xe5xa4xb4‘)) # 

符号x

另外，几乎每个字母/数字前边都有的x，他的作用是分隔符，用来分隔一个字节和另一个字节。

这样的分隔符，我们还见过：

对比发现下边两段字符串，你有发现什么奥妙么！：

%e5%b0%8f%e7%9f%b3%e5%a4%b4

xe5xb0x8fxe7x9fxb3xe5xa4xb4

%和x一样，都是一种分隔符。只不过%是url中的、x是python中的

解码：decode()

语法：

‘你想解码的内容‘.encode(‘你使用的编码表名称‘)

用法：

print(b‘xe5xb0x8fxe7x9fxb3xe5xa4xb4‘.decode(‘UTF-8‘)) # 小石头

::: warning 注意

你要解码的内容得跟编码时用的编码表一致。不然会报错。

:::

也就是说，UTF-8编码的字节就一定要用UTF-8的规则解码，其他编码同理，否则就会出现乱码或者报错的情况，

print(b‘xe5xb0x8fxe7x9fxb3xe5xa4xb4‘.decode(‘GBK‘))

# 把utf-8编码的字符串用GBK来解码，就报错了。

# UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0xb4 in position 8: incomplete multibyte sequence