python编码及转换

 

　　第一种：ASCII码

　　　　ASCII（American Standard Code for Information Interchange，美国信息交换标准代码）是基于拉丁字母的一套电脑编码系统，主要用于显示现代英语和其他西欧语言。它是现今最通用的单字节编码系统，并等同于国际标准ISO/IEC 646。如下图所示：

　　由于计算机是美国人发明的，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，比如大写字母 A的编码是65，小写字母 a的编码是97。后128个称为扩展ASCII码。

　　每一位0或者1所占的空间单位为bit(比特)，这是计算机中最小的表示单位，每8个bit组成一个字符，这是计算机中最小的存储单位。

　　常见换算单位：

　　　　　　bit 位，计算机中最小的表示单位

　　　　　　8bit = 1bytes 字节，最小的存储单位，1bytes缩写为1B

　　　　　　1KB=1024B

　　　　　　1MB=1024KB

　　　　　　1GB=1024MB

　　　　　　1TB=1024GB

 

　　第二种：GBK 和 GB2312

　　　　对于我们来说能在计算机中显示中文字符是至关重要的，然而ASCII表里连一个偏旁部首也没有。所以我们还需要一张关于中文和数字对应的关系表。一个字节只能最多表示256个字符，要处理中文显然一个字节是不够的，所以我们需要采用两个字节来表示，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。

　　第三种：Unicode

　　　　但如以来，就会出现一个问题，各个国家都一套自己的编码，就不可避免会有冲突，这是该怎么办呢？

　　　　因此，Unicode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。　　　

　　　　现在，分析一下ASCII编码和Unicode编码的区别：

　　　　　　ASCII编码是1个字节，而Unicode编码通常是2个字节。

　　　　　　字母A用ASCII编码是十进制的65，二进制的01000001；

　　　　　　字符0用ASCII编码是十进制的48，二进制的00110000；

　　　　　　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。

　　　　　　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。

　　　　但如果统一成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。

　　第四种：UTF-8

　　　　基于节约的原则，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编码就能节省空间了。如下所示：

　　　　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。

　　　　我们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。如下图：

　　　　

 

三   编 码

          ascii：字母，数字，特殊字符。没有中文。一个字节一个字符。           2**8 = 256，所以，ASCII码最多只能表示 256 个符号。

    万国码：
       unicode ：
       A: 0000 0010 0000 0010 两个字节，表示一个字符。
       中: 0000 0010 0000 0010 两个字节，表示一个字符。

    升级：
       A: 0000 0010 0000 0010 0000 0010 0000 0010 四个字节，表示一个字符。
       中: 0000 0010 0000 0010 0000 0010 0000 0010 四个字节，表示一个字符。
       缺点： 占空间，浪费资源。

     utf-8：最少用一个字节，表示一个字符.
        A: 0000 0010
     欧洲：0000 00100000 0010
     中文：0000 0010 0000 0010 0000 0010

     gbk国标：
        A: 0000 0010
       中： 0000 0010 0000 0010
四 编码转换

    UTF-8 --> decode 解码 --> Unicode

　　Unicode --> encode 编码 --> GBK / UTF-8 /bytes
    
    GBK与utf-8 不能直接转换

　　例如：
　　

#！/usr/bin/env python3
#-*- coding:utf-8 -*-
# write by congcong

s = '匆匆'
print(s)
s1 = s.decode("utf-8") # utf-8 转成 Unicode，decode(解码)需要注明当前编码格式
print(s1,type(s1))

s2 = s1.encode("gbk") # unicode 转成 gbk，encode(编码)需要注明生成的编码格式
print(s2,type(s2))

s3 = s1.encode("utf-8") # unicode 转成 utf-8，encode(编码)注明生成的编码格式
print(s3,type(s3))

规则如下：

python3  　文件默认编码是utf-8 , 字符串编码是 unicode
　　　　　　　　以utf-8 或者 gbk等编码的代码，加载到内存，会自动转为unicode正常显示。

python2　  文件默认编码是ascii , 字符串编码也是 ascii , 如果文件头声明了是gbk，那字符串编码就是gbk。
　　　　　　　以utf-8 或者 gbk等编码的代码，加载到内存，并不会转为unicode,编码仍然是utf-8或者gbk等编码。