字符串编码简介
-
计算机只能处理数字,文本转换为数字才能处理。计算机中8个bit作为一个字节,所以一个字节能表示最大的数字就是255
-
计算机是美国人发明的,所以一个字节可以表示所有字符了,所以ASCII(一个字节)编码就成为美国人的标准编码
-
但是ASCII处理中文明显是不够的,中文不止255个汉字,所以中国制了GB2312编码,用两个字节表示一个汉字。GB2312还把ASCII包含进去了,同理,日文,韩文等等上百个国家为了解决这个问题就都发展了一套字节的编码,标准就越来越多,如果出现多种语言混合显示就一定会出现乱码
-
于是unicode出现了,将所有语言统一到一套编码里
-
看一下ASCI和unicode编码:
- 字母A 用ASCI编码十进制是65,二进制0100 0001
- 汉字“中”已近超出了ASCII编码的范围,用unicode编码是20013 二进制是01001110 00101101
- A用unicode编码只需要前面补0二进制是00000000 0100 0001
-
乱码问题解决了,但是如果内容全是英文,unicode编码比ASCI需要多 一倍的存储空间,同时如果传输需要多一倍的传输。
-
所以出现了可变长的编码“utf-8”,把英文变长一个字节,汉字3个字节。特别生僻的变成4-6字节,如果传输大量的英文,utf8作用就很明显了
一、windows下环境演示
C:\Users\zhangyy49>python Python 2.7.12 (v2.7.12:d33e0cf91556, Jun 27 2016, 15:24:40) [MSC v.1500 64 bit (AMD64)] on win32 Type "help", "copyright", "credits" or "license" for more information. >>> test_str = "abc" >>> test_unicode = u"abc" >>> test_str.encode("utf8") 'abc' >>> test_unicode.encode("utf8") 'abc' >>> test_str2 = "中文" >>> test_unicode2 = u"中文" # python字符串在内存中是用unicode编码的 >>> test_str2.encode("utf8") Traceback (most recent call last): File "<stdin>", line 1, in <module> UnicodeDecodeError: 'ascii' codec can't decode byte 0xd6 in position 0: ordinal not in range(128) >>> test_unicode2.encode("utf8") '\xe4\xb8\xad\xe6\x96\x87' # decode作用是为了让其它编码格式转变为unicode编码,windows下test_str2编码是gb2312 >>> test_str2.decode("gb2312").encode("utf8") '\xe4\xb8\xad\xe6\x96\x87' >>>
二、linux下环境演示
[root@slave2 ~]# python Python 2.7.5 (default, Aug 4 2017, 00:39:18) [GCC 4.8.5 20150623 (Red Hat 4.8.5-16)] on linux2 Type "help", "copyright", "credits" or "license" for more information. >>> test_str = "中文" # linux下默认test_str的编码是utf8编码 >>> test_str.decode("utf8").encode("utf8") '\xe4\xb8\xad\xe6\x96\x87' >>> test_str.encode("utf8") Traceback (most recent call last): File "<stdin>", line 1, in <module> UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)
>>> import sys >>> sys.getdefaultencoding() 'ascii'
encode必须保证前面是unicode字符串,如果直接对字符串test_str直接encode的话,会先调用默认的编码进行decode,而默认的编码的是ascii,对中文转换成ascii会报错,所以就会出现如上错误