本文参考自廖雪峰老师的官方网站:字符串和编码www.liaoxuefeng.com
关于Python字符串编解码问题的处理,想来大家跟我一样头疼。头疼的倒不是看不懂、理解不了,而是每次看懂理解之后转头就重新傻白甜的尴尬困窘。
老传统,要理解处理好一个知识答案,就必须这个问题知识答案是怎么来源产生的。所有的问题的答案都是从实际中抽离出来的,是抽象的东西,不要钻牛角一样地钻进去,要联想实际应用,先去理解,再去抠理论。
编码类型
Python可以处理多种数据类型,字符串也是一种数据类型。
但是,Python在处理字符串时有一个比较特殊的问题——编码问题。
要理解编解的问题,我们先看一下编码的历史,以更好的理解Python处理字符串的原理。
计算机本质上只能处理又0、1组成的数字。如果要处理文本,就必须先把文本转换为数字才能处理。
最早的计算机在设计时采用8个比特(bit)作为一个字节(byte)。
所以,一个字节能表示的最大的整数就是255(二进制11111111=十进制255)。
如果要表示更大的整数,就必须用更多的字节。比如两个字节可以表示的最大整数是65535,4个字节可以表示的最大整数是4294967295。
ASCII编码
由于计算机是美国人发明的,因此:
最早只有127个字符被编码到计算机里,也就是大小写英文字母、数字和一些符号。这个编码表被称为ASCII编码。
比如大写字母A的编码是65,小写字母z的编码是122。
Unicode编码
但是要处理中文显然一个字节是不够的,至少需要两个字节,而且还不能和ASCII编码冲突,所以,中国制定了GB2312编码,用来把中文编进去。
全世界有上百种语言。可想而知,日本把日文编到Shift_JIS里,韩国把韩文编到Euc-kr里。各国有各国的标准,就会不可避免地出现冲突。结果就是,在多语言混合的文本中,显示出来会有乱码。
因此,Unicode应运而生。
Unicode把所有语言都统一到一套编码里,这样就不会再有乱码问题了。
Unicode标准也在不断发展,但最常用两个字节表示一个字符(如果要用到非常偏僻的字符,就需要4个字节)。现代操作系统和大多数编程语言都直接支持Unicode。
ASCII编码和Unicode编码的区别:ASCII编码是1个字节
Unicode编码通常是2个字节。字母A用ASCII编码是十进制的65,二进制的01000001;
字符0用ASCII编码是十进制的48,二进制的00110000。
注意,字符'0'和整数0是不同的。汉字“中”已经超出了ASCII编码的范围,
用Unicode编码是十进制的20013,二进制的01001110 00101101。
如您所猜,如果把ASCII编码的A用Unicode编码表示ÿ