Python之字符串和编码.docx

Python 之字符串和编码 Python 之字符串和编码 字符编码 字符编码 我们已经讲过了，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 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 可以表示的最大整数是 65535，4 个字节可以表示的最大整数的最大的整数就是 255（二进制十进制 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 是 4294967295。 由于计算机是美国人发明的，因此，最早只有 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 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 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 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 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 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。 套编码里，这样就不会再有乱码问题了。 Unicode 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，捋一捋 ASCII 现在，捋一捋 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 字母 A 用ASCII 编码是十进制的 65，二进制的 0 0 用ASCII 编码是十进制的 48，二进制的注意 字符 字符0和整数 0 是不同的； 汉字 汉字中已经超出了 ASCII 编码的范围，用 Unicode 编码是十 进制的 进制的 20013，二进制的00101101。 A A 用 Unicode 编码，只需 要在前面补 0 就可以，因此，A 的 Unicode 编码是 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。 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 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 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：UTF-8 编码。UTF-8 编码把一个 Unicode 字符根 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： UTF-8 编码。UTF-8 编码把一个 Unicode 字符根 字 ASCII Unicode 符UTF-8 A中 x 01001110 1110010000101101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 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 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