【Python3】02、python編碼問題

一、ASCII、Unicode和UTF-8的差別

       因為字元編碼的問題而苦惱不已，于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

      計算機中儲存的資訊都是用二進制數表示的；而我們在螢幕上看到的英文、漢字等字元是二進制數轉換之後的結果。通俗的說，按照何種規則将字元存儲在計算機中，如'a'用什麼表示，稱為"編碼"；反之，将存儲在計算機中的二進制數解析顯示出來，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，則導緻'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号的總稱，包括各國家文字、标點符号、圖形符号、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（如号碼或電脈沖）進行配對。即在符号集合與數字系統之間建立對應關系，它是資訊處理的一項基本技術。通常人們用符号集合（一般情況下就是文字）來表達資訊。而以計算機為基礎的資訊處理系統則是利用元件（硬體）不同狀态的組合來存儲和處理資訊的。元件不同狀态的組合能代表數字系統的數字，是以字元編碼就是将符号轉換為計算機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。計算機要準确的處理各種字元集文字，需要進行字元編碼，以便計算機能夠識别和存儲各種文字。

2、ASCII碼

       我們知道，在計算機内部，所有的資訊最終都表示為一個二進制的字元串。每一個二進制位（bit）有0和1兩種狀态，是以八個二進制位就可以組合出256種狀态，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種不同的狀态，每一個狀态對應一個符号，就是256個符号，從00000000到11111111。

上個世紀60年代，美國制定了一套字元編碼，對英語字元與二進制位之間的關系，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（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符号（包括32個不能列印出來的控制符号），隻占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個符号編碼就夠了，但是用來表示其他語言，128個符号是不夠的。比如，在法語中，字母上方有注音符号，它就無法用ASCII碼表示。于是，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号。比如，法語中的é的編碼為130（二進制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個符号。

但是，這裡又出現了新的問題。不同的國家有不同的字母，是以，哪怕它們都使用256個符号的編碼方式，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号。但是不管怎樣，所有這些編碼方式中，0--127表示的符号是一樣的，不一樣的隻是128--255的這一段。

至于亞洲國家的文字，使用的符号就更多了，漢字就多達10萬左右。一個位元組隻能表示256種符号，肯定是不夠的，就必須使用多個位元組表達一個符号。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，是以理論上最多可以表示256x256=65536個符号。

中文編碼的問題需要專文讨論，這篇筆記不涉及。這裡隻指出，雖然都是用多個位元組表示一個符号，但是GB類的漢字編碼與後文的Unicode和UTF-8是毫無關系的。

4、Unicode

      世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符号。是以，要想打開一個文本檔案，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，将世界上所有的符号都納入其中。每一個符号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，這是一種所有符号的編碼。

Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符号。每個符号的編碼都不一樣，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"。具體的符号對應表，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隻是一個符号集，它隻規定了符号的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

比如，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），也就是說這個符号的表示至少需要2個位元組。表示其他更大的符号，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，如何才能差別Unicode和ASCII？

計算機怎麼知道三個位元組表示一個符号，而不是分别表示三個符号呢？

第二個問題是，我們已經知道，英文字母隻用一個位元組表示就夠了，如果Unicode統一規定，每個符号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，這對于存儲來說是極大的浪費，文本檔案的大小會是以大出二三倍，這是無法接受的。

它們造成的結果是：

1）出現了Unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示Unicode。2）Unicode在很長一段時間内無法推廣，直到網際網路的出現。

6.UTF-8

      網際網路的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在網際網路上使用最廣的一種Unicode的實作方式。其他實作方式還包括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），不過在網際網路上基本不用。重複一遍，這裡的關系是，UTF-8是Unicode的實作方式之一。

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号，根據不同的符号而變化位元組長度。

UTF-8的編碼規則很簡單，隻有二條：

1）對于單位元組的符号，位元組的第一位設為0，後面7位為這個符号的unicode碼。是以對于英語字母，UTF-8編碼和ASCII碼是相同的。

2）對于n位元組的符号（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制位，全部為這個符号的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的實作方式之一，它是一種可變長的編碼方式，根據符号而變化位元組長度，用1-4個位元組表示一個符

       Unicode不相容ASCII碼，Utf-8相容ASCII碼

   unicode一個中文字元占2個位元組，而UTF-8一個中文字元占3個位元組。從unicode到uft-8并不是直接的對應，而是要過一些算法和規則來轉換。

二、python編碼問題

1、python字元串編碼問題

在最新的Python 3版本中，字元串是以Unicode編碼的，也就是說，Python的字元串支援多語言，

例如： 

       由于Python的字元串類型是str，在記憶體中以Unicode表示，一個字元對應若幹個位元組。

檔案裡能儲存str/bytes，傳輸隻能是bytes。

python3對bytes類型的資料用帶b字首的單引号或雙引号表示：

要注意區分'hello'和b'hello'，前者是str，後者雖然内容顯示得和前者一樣，但bytes的每個字元都隻占用一個位元組。

        decode是解碼，将其它編碼的字元串解碼成unicode，

        encode的編碼，将unicode字元串編碼成bytes，

        這裡需要注意，這個兩個過程和ASCII碼沒有什麼關系

之前一直錯誤地認為decode和encode的作用是将字元串編碼在unicode和ASCII轉換，

       Python 3最重要的新特性大概要算是對文本和二進制資料作了更為清晰的區分。

       Python 3不會以任意隐式的方式混用str和bytes，正是這使得兩者的區分特别清晰。你不能拼接字元串和位元組包，也無法在位元組包裡搜尋字元串（反之亦然），也不能将字元串傳入參數為位元組包的函數（反之亦然）。這是件好事。