3.字符编码

字符编码

编者的话：从磁盘中读取数据时,直接将存在文件中的二进制转换成unicode的二进制存到内存中,需指定一个编码如utf-8,前提是文件在存储时是以utf-8存储的.系统中维护了一张关于utf-8到unicode的表,存文件时,直接通过这张表将内存中unicode的二进制翻译成utf-8的二进制写入文件.
ps.不同的编码如gbk,也有一张类似的表存在.

一.了解字符编码的知识储备

文本编辑器存取文件的原理（nodepad++，pycharm，word

1. 打开编辑器就打开了启动了一个进程，是在内存中的，所以在编辑器编写的内容也都是存放与内存中的，断电后数据丢失,因而需要保存到硬盘上，点击保存按钮，就从内存中把数据刷到了硬盘上。
   在这一点上，我们编写一个py文件（没有执行），跟编写其他文件没有任何区别，都只是在编写一堆字符而已。

2. python解释器执行py文件的原理，例如pythontest.py
   
   第一阶段：python解释器启动，此时就相当于启动了一个文本编辑器
   
   第二阶段：python解释器相当于文本编辑器，去打开test.py文件，从硬盘上将test.py的文件内容读入到内存中
   第三阶段：python解释器解释执行刚刚加载到内存中test.py的代码

3. 总结：python解释器是解释执行文件内容的，因而python解释器具备读py文件的功能，这一点与文本编辑器一样,与文本编辑器不一样的地方在于，python解释器不仅可以读文件内容，还可以执行文件内容

二.什么是字符编码

• 计算机要想工作必须通电,也就是说‘电’驱使计算机干活,而‘电’的特性，就是高低电平(高低平即二进制数1,低电平即二进制数0),也就是说计算机只认识数字

• 编程的目的是让计算机干活，而编程的结果说白了只是一堆字符，也就是说我们编程最终要实现的是：一堆字符驱动计算机干活

• 所以必须经过一个过程：
  字符--------（翻译过程）------->数字
  
  这个过程实际就是一个字符如何对应一个特定数字的标准，这个标准称之为字符编码

三.字符编码的发展史

阶段一：现代计算机起源于美国，最早诞生也是基于英文考虑的ASCII

• ASCII:一个Bytes代表一个字符（英文字符/键盘上的所有其他字符），1Bytes=8bit，8bit可以表示0-2**8-1种变化，即可以表示256个字符
  ASCII最初只用了后七位，127个数字，已经完全能够代表键盘上所有的字符了（英文字符/键盘的所有其他字符）后来为了将拉丁文也编码进了ASCII表，将最高位也占用了

阶段二:为了满足中文，中国人定制了GBK

• GBK:2Bytes代表一个字符
  
  为了满足其他国家，各个国家纷纷定制了自己的编码
  日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里

阶段三：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。

• 于是产生了unicode，统一用2Bytes代表一个字符，2**16-1=65535，可代表6万多个字符，因而兼容万国语言,但对于通篇都是英文的文本来说，这种编码方式无疑是多了一倍的存储空间（二进制最终都是以电或者磁的方式存储到存储介质中的,于是产生了UTF-8，对英文字符只用1Bytes表示，对中文字符用3Bytes

• 需要强调的一点是：
  
  unicode：简单粗暴，所有字符都是2Bytes，优点是字符->数字的转换速度快，缺点是占用空间大
  utf-8：精准，对不同的字符用不同的长度表示，优点是节省空间，缺点是：字符->数字的转换速度慢，因为每次都需要计算出字符需要多长的Bytes才能够准确表示
  
  

• 内存中使用的编码是unicode，用空间换时间（程序都需要加载到内存才能运行，因而内存应该是尽可能的保证快,硬盘中或者网络传输用utf-8，网络I/O延迟或磁盘I/O延迟要远大与utf-8的转换延迟，而且I/O应该是尽可能地节省带宽，保证数据传输的稳定性。

    所有程序，最终都要加载到内存，程序保存到硬盘不同的国家用不同的编码格式，但是到内存中我们为了兼容万国（计算机可以运行任何国家的程序原因在于此），
    统一且固定使用unicode，这就是为何内存固定用unicode的原因，你可能会说兼容万国我可以用utf－8啊，可以，完全可以正常工作，
    之所以不用肯定是unicode比utf－8更高效啊（uicode固定用2个字节编码，utf－8则需要计算），但是unicode更浪费空间，没错，这就是用空间换时间的一种做法，
    而存放到硬盘，或者网络传输，都需要把unicode转成utf－8，因为数据的传输，追求的是稳定，高效，数据量越小数据传输就越靠谱，于是都转成utf－8格式的，而不是unicode。
  

分析过程？什么是乱码

文件从内存刷到硬盘的操作简称存文件

乱码一：存文件时就已经乱码
存文件时，由于文件内有各个国家的文字，我们单以shiftjis去存，
本质上其他国家的文字由于在shiftjis中没有找到对应关系而导致存储失败，用open函数的write可以测试，f=open('a.txt','w',encodig='shift_jis')
f.write('你瞅啥
何を見て
')#'你瞅啥'因为在shiftjis中没有找到对应关系而无法保存成功，只存'何を見て
'可以成功
但当我们用文件编辑器去存的时候，编辑器会帮我们做转换，保证中文也能用shiftjis存储（硬存，必然乱码），这就导致了，存文件阶段就已经发生乱码
此时当我们用shiftjis打开文件时，日文可以正常显示，而中文则乱码了

文件从硬盘读到内存的操作简称读文件

乱码二：存文件时不乱码而读文件时乱码
存文件时用utf-8编码，保证兼容万国，不会乱码，而读文件时选择了错误的解码方式，比如gbk，则在读阶段发生乱码，读阶段发生乱码是可以解决的，选对正确的解码方式就ok了，而存文件时乱码，则是一种数据的损坏。

分析过程？

总结：
无论是何种编辑器，要防止文件出现乱码（请一定注意，存放一段代码的文件也仅仅只是一个普通文件而已，此处指的是文件没有执行前，我们打开文件时出现的乱码）
核心法则就是，文件以什么编码保存的，就以什么编码方式打开

5.2程序的执行

• pythontest.py（我再强调一遍，执行test.py的第一步，一定是先将文件内容读入到内存中）
• 阶段一：启动python解释器
• 阶段二：python解释器此时就是一个文本编辑器，负责打开文件test.py,即从硬盘中读取test.py的内容到内存中>此时，python解释器会读取test.py的第一行内容
• #coding:utf-8，来决定以什么编码格式来读入内存，这一行就是来设定python解释器这个软件的编码使用的编码格式这个编码，
• 如果不在python文件指定头信息＃--coding:utf-8--,那就使用默认的,python2中默认使用ascii，python3中默认使用utf-8
• 阶段三：读取已经加载到内存的代码（unicode编码的二进制），然后执行，执行过程中可能会开辟新的内存空间，比如x="egon",内存的编码使用unicode，不代表内存中全都是unicode编码的二进制，
  在程序执行之前
• 内存中确实都是unicode编码的二进制,比如从文件中读取了一行x="egon",其中的x，等号，引号，地位都一样，都是普通字符而已，都是以unicode编码的二进制形式存放与内存中的
• 但是程序在执行过程中，会申请内存（与程序代码所存在的内存是俩个空间），可以存放任意编码格式的数据，比如x="egon",会被python解释器识别为字符串，会申请内存空间来存放"hello"，然后让x指向该内存地址，此时新申请的该内存地址保存也是unicode编码的egon,如果代码换成x="egon".encode('utf-8'),那么新申请的内存空间里存放的就是utf-8编码的字符串egon了