標籤:python3
一、ASCII、Unicode和UTF-8的區別
因為字元編碼的問題而苦惱不已,於是閱讀了大量的部落格,再進行了一定的測試,基本搞清楚了編碼問題的前因後果。
1、字元集和字元編碼
電腦中儲存的資訊都是用位元表示的;而我們在螢幕上看到的英文、漢字等字元是位元轉換之後的結果。通俗的說,按照何種規則將字元儲存在電腦中,如‘a‘用什麼表示,稱為"編碼";反之,將儲存在電腦中的位元解析顯示出來,稱為"解碼",如同密碼學中的加密和解密。在解碼過程中,如果使用了錯誤的解碼規則,則導致‘a‘解析成‘b‘或者亂碼。
字元集(Charset):是一個系統支援的所有抽象字元的集合。字元是各種文字和符號的總稱,包括各國家文字、標點符號、圖形符號、數字等。
字元編碼(Character Encoding):是一套法則,使用該法則能夠對自然語言的字元的一個集合(如字母表或音節表),與其他東西的一個集合(如號碼或電脈衝)進行配對。即在符號集合與數字系統之間建立對應關係,它是資訊處理的一項基本技術。通常人們用符號集合(一般情況下就是文字)來表達資訊。而以電腦為基礎的資訊處理系統則是利用元件(硬體)不同狀態的組合來儲存和處理資訊的。元件不同狀態的組合能代表數字系統的數字,因此字元編碼就是將符號轉換為電腦可以接受的數字系統的數,稱為數字代碼。
常見字元集名稱:ASCII字元集、GB2312字元集、BIG5字元集、GB18030字元集、Unicode字元集等。電腦要準確的處理各種字元集文字,需要進行字元編碼,以便電腦能夠識別和儲存各種文字。
2、ASCII碼
我們知道,在電腦內部,所有的資訊最終都表示為一個二進位的字串。每一個二進位位(bit)有0和1兩種狀態,因此八個二進位位就可以組合出256種狀態,這被稱為一個位元組(byte)。也就是說,一個位元組一共可以用來表示256種不同的狀態,每一個狀態對應一個符號,就是256個符號,從00000000到11111111。
上個世紀60年代,美國制定了一套字元編碼,對英語字元與二進位位之間的關係,做了統一規定。這被稱為ASCII碼,一直沿用至今。
ASCII碼一共規定了128個字元的編碼,比如空格"SPACE"是32(二進位00100000),大寫的字母A是65(二進位01000001)。這128個符號(包括32個不能列印出來的控制符號),只佔用了一個位元組的後面7位,最前面的1位統一規定為0。
3、非ASCII編碼
英語用128個符號編碼就夠了,但是用來表示其他語言,128個符號是不夠的。比如,在法語中,字母上方有注音符號,它就無法用ASCII碼錶示。於是,一些歐洲國家就決定,利用位元組中閑置的最高位編入新的符號。比如,法語中的é的編碼為130(二進位10000010)。這樣一來,這些歐洲國家使用的編碼體系,可以表示最多256個符號。
但是,這裡又出現了新的問題。不同的國家有不同的字母,因此,哪怕它們都使用256個符號的編碼方式,代表的字母卻不一樣。比如,130在法語編碼中代表了é,在希伯來語編碼中卻代表了字母Gimel (),在俄語編碼中又會代表另一個符號。但是不管怎樣,所有這些編碼方式中,0--127表示的符號是一樣的,不一樣的只是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。一個位元組只能表示256種符號,肯定是不夠的,就必須使用多個位元組表達一個符號。比如,簡體中文常見的編碼方式是GB2312,使用兩個位元組表示一個漢字,所以理論上最多可以表示256x256=65536個符號。
中文編碼的問題需要專文討論,這篇筆記不涉及。這裡只指出,雖然都是用多個位元組表示一個符號,但是GB類的漢字編碼與後文的Unicode和UTF-8是毫無關係的。
4、Unicode
世界上存在著多種編碼方式,同一個位元字可以被解釋成不同的符號。因此,要想開啟一個文字檔,就必須知道它的編碼方式,否則用錯誤的編碼方式解讀,就會出現亂碼。為什麼電子郵件常常出現亂碼?就是因為發信人和收信人使用的編碼方式不一樣。
可以想象,如果有一種編碼,將世界上所有的符號都納入其中。每一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,這是一種所有符號的編碼。
Unicode當然是一個很大的集合,現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣,比如,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,可以查詢unicode.org,或者專門的漢字對應表。
5. Unicode的問題
需要注意的是,Unicode只是一個符號集,它只規定了符號的二進位代碼,卻沒有規定這個二進位代碼應該如何儲存。
比如,漢字"嚴"的unicode是十六進位數4E25,轉換成位元足足有15位(100111000100101),也就是說這個符號的表示至少需要2個位元組。表示其他更大的符號,可能需要3個位元組或者4個位元組,甚至更多。
這裡就有兩個嚴重的問題,第一個問題是,如何才能區別Unicode和ASCII?
電腦怎麼知道三個位元組表示一個符號,而不是分別表示三個符號呢?
第二個問題是,我們已經知道,英文字母只用一個位元組表示就夠了,如果Unicode統一規定,每個符號用三個或四個位元組表示,那麼每個英文字母前都必然有二到三個位元組是0,這對於儲存來說是極大的浪費,文字檔的大小會因此大出二三倍,這是無法接受的。
它們造成的結果是:
1)出現了Unicode的多種儲存方式,也就是說有許多種不同的二進位格式,可以用來表示Unicode。2)Unicode在很長一段時間內無法推廣,直到互連網的出現。
6.UTF-8
互連網的普及,強烈要求出現一種統一的編碼方式。UTF-8就是在互連網上使用最廣的一種Unicode的實現方式。其他實現方式還包括UTF-16(字元用兩個位元組或四個位元組表示)和UTF-32(字元用四個位元組表示),不過在互連網上基本不用。重複一遍,這裡的關係是,UTF-8是Unicode的實現方式之一。
UTF-8最大的一個特點,就是它是一種變長的編碼方式。它可以使用1~4個位元組表示一個符號,根據不同的符號而變化位元組長度。
UTF-8的編碼規則很簡單,只有二條:
1)對於單位元組的符號,位元組的第一位設為0,後面7位為這個符號的unicode碼。因此對於英語字母,UTF-8編碼和ASCII碼是相同的。
2)對於n位元組的符號(n>1),第一個位元組的前n位都設為1,第n+1位設為0,後面位元組的前兩位一律設為10。剩下的沒有提及的二進位位,全部為這個符號的unicode碼。
現在捋一捋:
ASCII編碼是1個位元組,而Unicode編碼通常是2個位元組,utf-8是Unicode的實現方式之一,它是一種可變長的編碼方式,根據符號而變化位元組長度,用1-4個位元組表示一個符
Unicode不相容ASCII碼,Utf-8相容ASCII碼
二、python編碼問題
python編碼問題分:字串編碼和資料檔案編碼
1、python字串編碼問題
在最新的Python 3版本中,字串是以Unicode編碼的,也就是說,Python的字串支援多語言,
例如:
In [1]: print("中國")中國In [2]: type("中國")Out[2]: str
由於Python的字串類型是str,在記憶體中以Unicode表示,一個字元對應若干個位元組。
如果要在網路上傳輸,或者儲存到磁碟上,就需要把str變為以位元組為單位的bytes。
python3對bytes類型的資料用帶b首碼的單引號或雙引號表示:
In [36]: x = b"hello"In [37]: type(x)Out[37]: bytesIn [38]: print(x)b‘hello‘In [39]: y = "hello"In [40]: type(y)Out[40]: strIn [41]: print(y)helloIn [19]: b‘中國‘ #位元組只能包含ASCII字元,不能顯示中文,這裡報錯了 File "<ipython-input-19-5365596ad95c>", line 1 b‘中國‘ ^SyntaxError: bytes can only contain ASCII literal characters.
要注意區分‘hello‘和b‘hello‘,前者是str,後者雖然內容顯示得和前者一樣,但bytes的每個字元都只佔用一個位元組。
到這裡還是有點暈,decode是解碼,將其它編碼的字串解碼成unicode,encode的編碼將unicode字串編碼成其它編碼的字串,這裡需要注意,這個兩個過程和ASCII碼沒有什麼關係
之前一直認為decode和encode的作用是將字串編碼在unicode和ASCII轉換,
還不清楚的再看下面這段:
Python 3最重要的新特性大概要算是對文本和位元據作了更為清晰的區分。
文本總是Unicode,由str類型表示,
位元據則由bytes類型表示。
Python 3不會以任意隱式的方式混用str和bytes,正是這使得兩者的區分特別清晰。你不能拼接字串和位元組包,也無法在位元組包裡搜尋字串(反之亦然),也不能將字串傳入參數為位元組包的函數(反之亦然)。這是件好事。
不管怎樣,字串和位元組包之間的界線是必然的,下面的圖解非常重要,務請牢記於心:
650) this.width=650;" src="http://www.linuxidc.com/upload/2015_08/15081715279667.jpg" alt="Python 3 對於字串的編碼轉換說明" style="border:0px;" />
圖解,非常重要
字串可以編碼成位元組包,而位元組包可以解碼成字串。
In [59]: y1 = ‘hello‘.encode()In [60]: print(y1)b‘hello‘In [61]: type(y1)Out[61]: bytesIn [62]: y2 = y1.decode()In [63]: print(y2)helloIn [64]: type(y2)Out[64]: strIn [70]: m = "中國"In [71]: m1 = m.encode()In [72]: m1Out[72]: b‘\xe4\xb8\xad\xe5\x9b\xbd‘In [74]: type(m1)Out[74]: bytesIn [75]: m2 = m1.decode()In [76]: m2Out[76]: ‘中國‘In [77]: type(m2)Out[77]: str
這個問題要這麼來看:
字串是文本的抽象表示。字串由字元組成,字元則是與任何特定二進位表示無關的抽象實體。在操作字串時,我們生活在幸福的無知之中。我們可以對字串進行分割和分區,可以拼接和搜尋字串。我們並不關心它們內部是怎麼表示的,字串裡的每個字元要用幾個位元組儲存。只有在將字串編碼成位元組包(例如,為了在通道上發送它們)或從位元組包解碼字串(反向操作)時,我們才會開始關注這點。
傳入encode和decode的參數是編碼(或codec)。編碼是一種用位元據表示抽象字元的方式。目前有很多種編碼。上面給出的UTF-8是其中一種,
編碼是這個轉換過程中至關重要的一部分。離了編碼,bytes對象b‘\xa420‘只是一堆位元位而已。編碼賦予其含義。採用不同的編碼,這堆位元位的含義就會大不同:
【Python進階】02、python編碼問題