Python随笔之字符串和编码

字符编码

字符串是一种我们平时使用比较多的类型，字符串和其他数据类型相比有个特殊的问题，令我们比较头疼的问题，那就是编码问题。

编码问题出现的原因

因为计算机只能处理数字，如果需要处理文本，就需要将其转换为数字后才能处理。最早计算机在设计的时候采用的是8位（比特(bit) ）二进制为一个字节（byte），
所以一个字节能表示的最大的数就是255（二进制中11111111=十进制255），如果要表示更大的数就需要使用更多的字节才可以。比如两个字节表示的最大数为65535。
由于计算机是由美国人发明的，因此最早有127个字符被编码到计算机中，因为这已经能满足美国人的计算机的日常使用了，127个字符也就是大小写英文字母、数字
和一些特殊符号，这个编码被称为ASCII编码。比如A表示为65
但是一个字节要处理中文显然是不够的，至少需要两个字节，而且还不能和ASCII码冲突，所以我们中国制定了GB2312编码，用来把中文编码进去。
但是全世界的语言何止上百种，各国有各国的标准编码，那么就不可避免出现编码的冲突，那么就会在多语言共用的文本中会出现乱码问题。

乱码的解决方案

为了解决乱码问题，Unicode就应运而生。Uncode将所有的语言就编码到一套编码中，那么就不会出现乱码了。
Unicode标准也在不断发展，但最常用的是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。

Unicode和ASCII编码的区别

• ASCII通常为一个字节，Unicode通常为两个字节

为什么会出现UTF-8编码

字符A在ASCII编码中十进制表示为65,二进制表示为01000001;
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。
你可以猜测，如果把ASCII编码的A用Unicode编码，只需要在前面补0就可以，因此，A的Unicode编码是00000000 01000001。
新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，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	x	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

Python中字符相关的方法

• python提供了ord()函数获取字符的整形表示，chr()函数获取编码对应的字符

print(ord('A'))
print(chr(65))

>>> 65
>>> A

以Unicode表示的str通过encode()方法可以编码为指定的bytes，例如：
纯英文的str可以用ASCII编码为bytes，内容是一样的，含有中文的str可以用UTF-8编码为bytes。含有中文的str无法用ASCII编码，因为中文编码的范围超过了ASCII编码的范围，Python会报错。
在bytes中，无法显示为ASCII字符的字节，用x##显示。反过来，如果我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。要把bytes变为str，就需要用decode()方法：

print('ABC'.encode('ascii'))
print('ABC'.encode('utf-8'))
print(b'ABC'.decode('ascii'))
print(b'ABC'.decode('utf-8'))

>>> b'ABC'
>>> b'ABC'
>>> ABC
>>> ABC