python3中編碼與解碼的問題

python3中編碼與解碼的問題

 

 

ASCII 、Unicode、UTF-8

 

ASCII

　　咱們知道，在計算機內部，全部的信息最終都表示爲一個二進制的字符串。每個二進制位（bit）有0和1兩種狀態，所以八個二進制位就能夠組合出256種狀態，這被稱爲一個字節（byte）。也就是說，一個字節一共能夠用來表示256種不一樣的狀態，每個狀態對應一個符號，就是256個符號，從0000000到11111111。

上個世紀60年代，美國製定了一套字符編碼，對英語字符與二進制位之間的關係，作了統一規定。這被稱爲ASCII碼，一直沿用至今。

ASCII碼一共規定了128個字符的編碼，好比空格「SPACE」是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只佔用了一個字節的後面7位，最前面的1位統一規定爲0。

　　

　　英語用128個符號編碼就夠了，可是用來表示其餘語言，128個符號是不夠的。好比，在法語中，字母上方有注音符號，它就沒法用ASCII碼錶示。因而，一些歐洲國家就決定，利用字節中閒置的最高位編入新的符號。好比，法語中的é的編碼爲130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，能夠表示最多256個符號。

可是，這裏又出現了新的問題。不一樣的國家有不一樣的字母，所以，哪怕它們都使用256個符號的編碼方式，表明的字母卻不同。好比，130在法語編碼中表明瞭é，在希伯來語編碼中卻表明了字母Gimel (ג)，在俄語編碼中又會表明另外一個符號。可是無論怎樣，全部這些編碼方式中，0—127表示的符號是同樣的，不同的只是128—255的這一段。

至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，確定是不夠的，就必須使用多個字節表達一個符號。好比，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，因此理論上最多能夠表示256x256=65536個符號。

 

Unicode

　　世界上存在着多種編碼方式，同一個二進制數字能夠被解釋成不一樣的符號。所以，要想打開一個文本文件，就必須知道它的編碼方式，不然用錯誤的編碼方式解讀，就會出現亂碼。爲何電子郵件經常出現亂碼？就是由於發信人和收信人使用的編碼方式不同。

能夠想象，若是有一種編碼，將世界上全部的符號都歸入其中。每個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種全部符號的編碼。

Unicode固然是一個很大的集合，如今的規模能夠容納100多萬個符號。每一個符號的編碼都不同，好比，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字「嚴」。具體的符號對應表，能夠查詢unicode.org，或者專門的漢字對應表。

　　

　　須要注意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

好比，漢字「嚴」的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符號的表示至少須要2個字節。表示其餘更大的符號，可能須要3個字節或者4個字節，甚至更多。

這裏就有兩個嚴重的問題，第一個問題是，如何才能區別unicode和ascii？計算機怎麼知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，咱們已經知道，英文字母只用一個字節表示就夠了，若是unicode統一規定，每一個符號用三個或四個字節表示，那麼每一個英文字母前都必然有二到三個字節是0，這對於存儲來講是極大的浪費，文本文件的大小會所以大出二三倍，這是沒法接受的。

它們形成的結果是：1）出現了unicode的多種存儲方式，也就是說有許多種不一樣的二進制格式，能夠用來表示unicode。2）unicode在很長一段時間內沒法推廣，直到互聯網的出現。

 

UTF-8

　　互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其餘實現方式還包括UTF-16和UTF-32，不過在互聯網上基本不用。重複一遍，這裏的關係是，UTF-8是Unicode的實現方式之一。

UTF-8最大的一個特色，就是它是一種變長的編碼方式。它可使用1~4個字節表示一個符號，根據不一樣的符號而變化字節長度。

UTF-8的編碼規則很簡單，只有二條：

1）對於單字節的符號，字節的第一位設爲0，後面7位爲這個符號的unicode碼。所以對於英語字母，UTF-8編碼和ASCII碼是相同的。

2）對於n字節的符號（n>1），第一個字節的前n位都設爲1，第n+1位設爲0，後面字節的前兩位一概設爲10。剩下的沒有說起的二進制位，所有爲這個符號的unicode碼。

下表總結了編碼規則，字母x表示可用編碼的位。

Unicode符號範圍 | UTF-8編碼方式
(十六進制) | （二進制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

下面，仍是以漢字「嚴」爲例，演示如何實現UTF-8編碼。

已知「嚴」的unicode是4E25（100111000100101），根據上表，能夠發現4E25處在第三行的範圍內（0000 0800-0000 FFFF），所以「嚴」的UTF-8編碼須要三個字節，即格式是「1110xxxx 10xxxxxx 10xxxxxx」。而後，從「嚴」的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就獲得了，「嚴」的UTF-8編碼是「11100100 10111000 10100101」，轉換成十六進制就是E4B8A5。

 

 

python3中的編碼與解碼

 

前言

Python3 最重要的一項改進之一就是解決了 Python2 中字符串與字符編碼遺留下來的這個大坑。

使用 ASCII 碼做爲默認編碼方式，對中文處理很不友好。 把字符串的牽強地分爲 unicode 和 str 兩種類型，誤導開發者

Python3 把系統默認編碼設置爲 UTF-8

>>> import sys >>> sys.getdefaultencoding() 'utf-8'
>>>

文本字符和二進制數據區分得更清晰，分別用 str 和 bytes 表示。文本字符所有用 str 類型表示，str 能表示 Unicode 字符集中全部字符，而二進制字節數據用一種全新的數據類型，用 bytes 來表示。

 

 

str與bytes

str

str1 = "a"
print(type(str1),str1) str2 = "一"
print(type(str2),str2)

結果：

<class 'str'> a <class 'str'> 一

bytes

Python3 中，在字符引號前加‘b’，明確表示這是一個 bytes 類型的對象，實際上它就是一組二進制字節序列組成的數據，bytes 類型能夠是 ASCII範圍內的字符和其它十六進制形式的字符數據，但不能用中文等非ASCII字符表示。

b1 = b"a"
print(type(b1),b1) b2 = b'\xe7\xa6\x85'
print(type(b2),b2)

結果：

<class 'bytes'> b'a'
<class 'bytes'> b'\xe7\xa6\x85'

bytes字符串的組成形式，必須是十六進制數，或者ASCII字符。

 

python2 與 python3 字節與字符的對應關係：

 

PYTHON2	PYTHON3	表現	轉換	做用
str	bytes	字節	encode	存儲
unicode	str	字符	decode	顯示

 

 

encode 與 decode

 

str 與 bytes 之間的轉換能夠用 encode 和從decode 方法。

encode 負責字符到字節的編碼轉換。默認使用 UTF-8 編碼準換。

s1 = "python編碼與解碼" res = s1.encode() print(res) res = s1.encode("gbk") print(res)

結果：

b'python\xe7\xbc\x96\xe7\xa0\x81\xe4\xb8\x8e\xe8\xa7\xa3\xe7\xa0\x81' b'python\xb1\xe0\xc2\xeb\xd3\xeb\xbd\xe2\xc2\xeb'

 

decode 負責字節到字符的解碼轉換，通用使用 UTF-8 編碼格式進行轉換。

print(b'python\xe7\xbc\x96\xe7\xa0\x81\xe4\xb8\x8e\xe8\xa7\xa3\xe7\xa0\x81'.decode()) print(b'python\xb1\xe0\xc2\xeb\xd3\xeb\xbd\xe2\xc2\xeb'.decode("gbk"))

結果：

python編碼與解碼 python編碼與解碼

 

 

UTF-8與GBK

# 不論是utf-8，仍是gbk，均可以理解爲一種對應關係（若干個十六進制數<——>某個字符）：
s3 = u"編碼" utf8 = s3.encode('utf-8') print(type(utf8)) print(len(utf8)) print(utf8) gbk = s3.encode('gbk') print(type(gbk)) print(len(gbk)) print(gbk) # utf-8用三個十六進制來表示一箇中文字符 # gbk用二個十六進制來表示一箇中文字符。 # 結論：encode()函數根據括號內的編碼方式，把str類型的字符串轉換爲bytes字符串，字符對應的若干十六進制數，根據編碼方式決定

結果：

<class 'bytes'>
6 b'\xe7\xbc\x96\xe7\xa0\x81'
<class 'bytes'>
4 b'\xb1\xe0\xc2\xeb'

 

 

字符編碼聲明

源代碼文件中，若是有用到非ASCII字符，則須要在文件頭部進行字符編碼的聲明，以下： #-*- coding: UTF-8 -*-
 實際上Python只檢查#、coding和編碼字符串，其餘的字符都是爲了美觀加上的。另外，Python中可用的字符編碼有不少，而且還有許多別名，還不區分大小寫，好比UTF-8能夠寫成u8。參見http://docs.python.org/library/codecs.html#standard-encodings。

 

 

 

chardet

chardet是用來檢測編碼的，對於未知的bytes，要把它轉換爲str，咱們並不知道它的編碼方式，而chardet能夠幫咱們檢測編碼。

 

>>> chardet.detect(b'Hello, world!') {'encoding': 'ascii', 'confidence': 1.0, 'language': ''}

檢測出的編碼是ascii，注意到還有個confidence字段，表示檢測的機率是1.0（即100%）。

 

檢測GBK編碼的中文：

>>> data = '離離原上草，一歲一枯榮'.encode('gbk') >>> chardet.detect(data) {'encoding': 'GB2312', 'confidence': 0.7407407407407407, 'language': 'Chinese'}

檢測的編碼是GB2312，注意到GBK是GB2312的超集，二者是同一種編碼，檢測正確的機率是74%，language字段指出的語言是'Chinese'。

 

UTF-8編碼進行檢測：

>>> data = '離離原上草，一歲一枯榮'.encode('utf-8') >>> chardet.detect(data) {'encoding': 'utf-8', 'confidence': 0.99, 'language': ''}

 

 

 

 

 refence：

http://python.jobbole.com/88277/?utm_source=blog.jobbole.com&utm_medium=relatedPosts

http://python.jobbole.com/82107/

http://www.javashuo.com/article/p-gxczvhvb-ds.html