字符集和字符编码（Charset & Encoding）

编码历史

字符串也是一种数据类型，但是，字符串比较特殊的是还有一个编码问题。

因为计算机只能处理数字，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。

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。

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。

你可以想得到的是，全世界有上百种语言，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字符集应运而生。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，但最常用的是UCS-16编码，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。

如果统一成Unicode编码，乱码问题从此消失了。但是，新问题来了，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。

所以，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，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间：

字符	ASCII	Unicode	UTF-8
A	01000001	00000000 01000001	01000001
中		01001110 00101101	11100100 10111000 10101101

从上面的表格还可以发现，UTF-8编码有一个额外的好处，就是ASCII编码实际上可以被看成是UTF-8编码的一部分，所以，大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。

搞清楚了ASCII、Unicode和UTF-8的关系，我们就可以总结一下现在计算机系统通用的字符编码工作方式：

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。

用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件：

浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器：

所以你看到很多网页的源码上会有类似<meta charset="UTF-8" />的信息，表示该网页正是用的UTF-8编码。

参考：https://liaoxuefeng.com/books/python/basic/string-encoding/index.html

不同语言的字符串对比

Python的字符串

在 Python 3.x 中，字符串类型 (str) 默认使用 Unicode 编码。这意味着 Python 3.x 的字符串可以包含任何 Unicode 字符，并且在内部通常以 UTF-32 或 UTF-16 编码存储，这取决于 Python 的实现和编译器的具体细节。

Python 3.x 的 str 类型是 Unicode 字符串，而 bytes 类型则代表原始的字节序列。当你从文件或其他源读取文本时，通常需要显式地指定编码，例如使用 open 函数的 encoding 参数来指定读取或写入文件时的编码。

s = "Hello, 世界!"
# s 在内部使用 Unicode 编码存储，通常为 UTF-32 或 UTF-16

JAVA的字符串

 在 Java 中，字符串对象 (String) 内部是以 Unicode 编码的形式存储的。Java 使用 UTF-16 编码来表示字符串中的每个字符。这意味着每个字符占用 16 位（2 个字节），对于基本多文种平面（BMP）中的大多数字符而言，这足够了。对于不在 BMP 中的字符（即增补平面的字符），Java 使用代理项对来表示，这样每个这样的字符实际上占用了 4 个字节。

因此，Java 的 String 类型本质上是 Unicode 字符串，而具体的编码（例如 UTF-8 或 UTF-16）通常只在字符串与外部资源（如文件或网络流）交互时才需要考虑。

String str = "Hello, 世界!"; // str 在内部使用 UTF-16 编码存储

总结

• Java：String 类型内部使用 UTF-16 编码存储。
• Python：str 类型内部使用 Unicode 编码存储，通常是 UTF-32 或 UTF-16，具体取决于 Python 实现。

在处理文件读写时，尽管内部字符串编码是 Unicode，你仍然需要指定文件的编码格式，特别是当你读写包含非 ASCII 字符的文件时。例如，当从文件读取字符串或将字符串写入文件时，应该显式指定 UTF-8 编码，这是最常用且最通用的编码方式。