python编码格式简介
因为计算机只能处理数字,其实只认识0和1,即二进制。如果要处理文本,就必须先把文本转换成数字才能处理。最早的计算机在设计时采用8比特(bit)为一个字节(byte),所以一个字节(8位)能表示的最大整数是255(二进制11111111等于十进制255,简单表示为 28−1=255 2 8 − 1 = 255 )如果要表示更大的整数,就必须用更多字节。比如两个字节(16位)可以表示为65535( 216−1 2 16 − 1 ),4个字节(32位)可以表示的最大整数4294967295( 232−1 2 32 − 1 )。(42亿)
由于计算机是由美国人发明的,因此最早只有127个字母被编码到计算机里,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,例如,大写字母A的编码是65,小写字母z的编码是122。
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。各国都有自己的编码,就导致编码混乱。
Unicode应运而生了。Unicode把所有语言都统一到一套编码里,这样就不会有乱码问题了。
Unicode标准不断发展,最常用的是用两个字节表示一个字符。现在操作系统和大多数编程语言都直接支持Unicode。
下面来看ASCII编码和Unicode编码的区别:ASCII编码是1个字节(8位),而Unicode编码是2个字节(16位)。
字母A用ASCII编码是十进制的48,二进制的01000001。其Unicode编码是00000000 01000001。
本着节约的精神,又出现了把Unicode编码转化为”可变长编码”的UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1~6个字节。,常用的英文字母被编码成1个字节,汉字通常是3个字节。UTF-8编码有一个额外的好处,就是ASCII编码实际上可以看做是UTF-8编码的一部分。
在计算机内存中,统一使用Unicode编码,当需要保存到硬盘或需要传输时,可以转换为UTF-8编码。
python3的编码
python3中的默认编码是UTF-8,可以通过以下代码:
In[1]: import sys
In[2]: sys.getdefaultencoding()
Out[2]: 'utf-8'
可以发现,python3的默认编码是UTF-8。基础编码是Unicode,各个编码的互相转换都要先转换成Unicode,然后通过Unicode再转换成想要的编码。
python3中使用decode和encode函数来进行编码和解码:
str—>(encode)—>bytes,bytes—>(decode)—>str
以下实例展示了decode()方法的实例:
#!/usr/bin/python3
str = "菜鸟教程";
str_utf8 = str.encode("UTF-8")
str_gbk = str.encode("GBK")
print(str)
print("UTF-8 编码:", str_utf8)
print("GBK 编码:", str_gbk)
print("UTF-8 解码:", str_utf8.decode('UTF-8','strict'))
print("GBK 解码:", str_gbk.decode('GBK','strict'))
以上实例的输出结果如下:
菜鸟教程
UTF-8 编码: b'\xe8\x8f\x9c\xe9\xb8\x9f\xe6\x95\x99\xe7\xa8\x8b'
GBK 编码: b'\xb2\xcb\xc4\xf1\xbd\xcc\xb3\xcc'
UTF-8 解码: 菜鸟教程
GBK 解码: 菜鸟教程