Python之路【第03章】：Python編碼知識

標籤：亂碼問題   空間   規則   相同   二進位   字母   國家   轉換   gbk   

Python編碼知識

• 編碼介紹
• 種類
• 儲存單位

1.編碼介紹

　　編碼是資訊從一種形式或格式轉換為另一種形式的過程也稱為電腦程式設計語言的代碼簡稱編碼。用預先規定的方法將文字、數字或其它對象編成數位，或將資訊、資料轉換成規定的電脈衝訊號。

2.種類

　　a.ASCII  （8位）

　　目前電腦中用得最廣泛的字元集及其編碼，是由美國國家標準局(ANSI)制定的ASCII碼。適用於所有拉丁文字字母，ASCII碼有7位碼和8位碼兩種形式。

　　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 0000000到11111111。

　　ASCII碼一共規定了128個字元的編碼，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。

　　缺點：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。

　　b.Unicode  （32位）

　　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。為什麼電子郵件經常出現亂碼？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，假如有一種編碼，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。

　　缺點：浪費記憶體；我們已經知道，英文字母只用一個位元組表示就夠了，假如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。

　　c.utf8  （英文：8位   歐洲文字：16位   漢字：24位）

　　UTF-8就是在互連網上使用最廣的一種unicode的實現方式。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。

　　d.gbk  （16位）

　　GBK是中國國家編碼，通用性比UTF8差，不過UTF8佔用的空間比GBK大。

　　UTF8是國際編碼，它的通用性比較好，外國人也可以瀏覽論壇，而且中文可以直接識別，假如你的論壇要做的比較國際化那就必須用UTF8。

3.儲存單位

　　電腦最小單位是byte

　　1byte = 8bit

　　1KB = 1024byte

　　1MB = 1024KB

　　1GB = 1024MB

　　1TB = 1024GB

Python之路【第03章】：Python編碼知識