编码集
- ascii码:一个字节,只有英文字符和一些符号
- Unicode:通常两个字节,偏僻的可能4字节,可以覆盖世界上所有语言文字
- utf-8:可变长编码格式,英文同ascii码一致,中文为3个字节,生僻的4-6字节
- gbk:中国的编码方式,各国都有自己的编码方式,且不兼容
- utf-8的编码规则有二条:
1)对于单字节的符号,字节的第一位设为0,后面7位为这个符号的unicode码。因此对于英语字母,UTF-8编码和ASCII码是相同的。
2)对于n字节的符号(n>1),第一个字节的前n位都设为1,第n+1位设为0,后面字节的前两位一律设为10。剩下的没有提及的二进制位,全部为这个符号的unicode码。
编码和解码
Unicode兼容各国的编码方式,可以编码为所有的其他格式,而其他格式都可以解码为unicode编码。
根据上图描述,如果我们想将gbk编码的数据转为utf-8需要先解码为unicode,再编码为utf-8。
# python3默认使用utf-8编码
import sys
print(sys.getdefaultencoding()) # 获取默认编码
s = "你好"
s_en = s.encode()
print(s_en,type(s_en))
utf-8
b’\xe4\xbd\xa0\xe5\xa5\xbd’ <class ‘bytes’>
由以上代码可以看到,在python3中,默认的编码是utf-8,但是存储在内存中数据是unicode编码的,所以以上变量s没有decode方法。为什么会这样呢?
答案是:现在计算机为了解决乱码问题,在本地都是用unicode编码显示,在存储和传输时,则用的utf-8编码,下面盗用廖雪峰大佬的一张图来描述,大家可能会更清晰:
同时,在python3中,调用encode方法后,不只是将编码集转换了,同时也将数据类型改为了bytes类型。