字符编码整理

编码问题一直是pythoner绕不过去的坎儿，这里记录下自己思考的内容，仅作参考

网上关于这方面的文章已经有很多，这里列举几篇参考的博文 Python字符编码详解 Unicode和Python的中文处理 python的str，unicode对象的encode和decode方法 python encode和decode函数说明

1、起因

用于显示的字符集需要唯一ID可以被计算机识别，这样的ID映射就是编码； 最开始的 ASCII(American Standard Code for Information Interchange)提供了单字节编码方式，即一个字节表示一个字符，实现的是对英文和大多数控制符号的编码； 但是128的数量却无法满足其他国家的语言，特别是中文，所以针对不同语言的编码逐渐产生，但是不同的编码就注定文本无法在不同系统上被正确解码，为了解决这个问题，Unicode应运而生； Unicode有两种标准， UCS-2 和 UCS-4； 差别在于 UCS-2 使用两个字节来表示一个字符，UCS-4用4个字节表示一个字符；现在用的居多的仍然是 UCS-2； P.S: Unicode编码表可以参考这篇博文 unicode编码表 UCS-2 使用两个字节表示一个字符，那么对于原先只需要一个字节就可以表示的英文，就是个问题，占用额外的空间，且Unicode双字节引擎无法处理ASCII码的单字节编码，所以为了让Unicode可以兼容ASCII，产生了变种的版本 UTF-8 ; 或者更准确的说 UTF-8是Unicode的实现方式之一

2、 UTF-8

关于 UTF-8的介绍，在 Unicode和Python的中文处理中有详细的介绍，这里引用一段内容：

UTF-8编码分为四个区： 　 一区为单字节编码， 　　　　编码格式为：0xxxxxxx； 　　　　对应Unicode：0x0000 - 0x007f 　 二区为双字节编码， 　　　 编码格式为：110xxxxx 10xxxxxx； 　　　 对应Unicode：0x0080 - 0x07ff 　 三区为三字节编码， 　　　 编码格式为：1110xxxx 10xxxxxxx 10xxxxxx 　　　 对应Unicode：0x0800 - 0xffff 　 四区为四字节编码， 　　　 编码格式为：11110xxx 10xxxxxxx 10xxxxxx 10xxxxxx 　　　 对应Unicode：0x00010000 - 0x0001ffff 　 五区为五字节编码， 　　　 编码格式为：111110xx 10xxxxxxx 10xxxxxxx 10xxxxxxx 10xxxxxxx 　　　 对应Unicode：0x00200000 - 0x03ffffff 　 六区为六字节编码， 　　　 编码格式为：111110x 10xxxxxxx 10xxxxxxx 10xxxxxxx 10xxxxxxx 10xxxxxxx 　　　 对应Unicode：0x04000000 - 0x7fffffff

UTF-8 特点是变长、多字节编码，所以可以兼容ASCII； 至此，编码的演变似乎告一段落

3、Python 2中的编码

python 2中对于字符串的使用，最熟悉的应该是str，然而str的真实却是字节串，python 2中默认的编码方式ASCII；

>>> import sys >>> sys.getdefaultencoding() 'ascii' >>> test = 'test' >>> import chardet >>> chardet.detect(test) {'confidence': 1.0, 'language': '', 'encoding': 'ascii'}

所以python源码开头处，都会声明文件的编码格式

# coding:utf-8

而Unicode表示才是真正的字符串； basestring 中的 encode()和 decode() 方法就是用来转换字符和字节； 简而言之就是 字节 ——decode——> 字符 字节 <——encode—— 字符 而对于字节的encode以及字符的decode，在 python的str，unicode对象的encode和decode方法中有详细的解释

Python 3中的编码

python3中的编码有待补充 # TODO