Python系列之 - 字符编码问题

1.内存和硬盘都是用来存储的。

CPU：速度快

硬盘：永久保存

2.文本编辑器存取文件的原理（nodepad++,pycharm,word）

打开编辑器就可以启动一个进程，是在内存中的，所以在编辑器编写的内容也都是存放在内存中的，断电后数据就丢失了。因而需要保存在硬盘上，点击保存按钮或快捷键，就把内存中的数据保存到了硬盘上。在这一点上，我们编写的py文件（没有执行时），跟编写的其他文件没有什么区别，都只是编写一堆字符而已。

3.python解释器执行py文件的原理，例如python  test.py

第一阶段：python解释器启动，此时就相当于启动了一个文本编辑器

第二阶段：python解释器相当于文本编辑器，去打开test.py，从硬盘上将test.py的文件内容读入到内存中

第三阶段：python解释器执行刚刚加载到内存中的test.py的代码（在该阶段，即执行时，才会识别python的语法，执行到字符串时，会开辟内存空间存放字符串）

总结：python解释器与文本编辑器的异同

相同点：python解释器是解释执行文件内容的，因而python解释器具备读py文件的功能，这一点与文本编辑器一样

不同点：文本编辑器将文件内容读入内存后，是为了显示/编辑，而python解释器将文件内容读入内存后，是为了执行（识别python的语法）

4.什么是编码？

计算机想要工作必须通电，高低电平（高电平即二进制数1，低电平即二进制数0），也就是说计算机只认识数字。那么让计算机如何读懂人类的字符呢?

这就必须经过一个过程：

字符---------（翻译过程）-------------数字

这个过程实际就是一个字符如何对应一个特定数字的标准，这个标准称之为字符编码。

5.以下两个场景涉及到字符编码的问题：

1.一个python文件中的内容是由一堆字符组成的（python文件未执行时）

2.python中的数据类型字符串是由一串字符组成的（python文件执行时）

6.字符编码的发展史

阶段一：现代计算机起源于美国，最早诞生也是基于英文考虑的ASCII

ASCII:一个Bytes代表一个字符（英文字符/键盘上的所有其他字符），1Bytes=8bit，8bit可以表示0-2**8-1种变化，即可以表示256个字符

ASCII最初只用了后七位，127个数字，已经完全能够代表键盘上所有的字符了（英文字符/键盘的所有其他字符）

后来为了将拉丁文也编码进了ASCII表，将最高位也占用了

阶段二:为了满足中文，中国人定制了GBK

GBK:2Bytes代表一个字符，为了满足其他国家，各个国家纷纷定制了自己的编码，日本把日文编到 Shift_JIS 里，韩国把韩文编到 Euc-kr 里

阶段三：各国有各国的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。

于是产生了unicode，　统一用2Bytes代表一个字符，　2**16-1=65535，可代表6万多个字符，因而兼容万国语言

但对于通篇都是英文的文本来说，这种编码方式无疑是多了一倍的存储空间（二进制最终都是以电或者磁的方式存储到存储介质中的）

于是产生了UTF-8，对英文字符只用1Bytes表示，对中文字符用3Bytes

需要强调的是：

unicode： 简单粗暴，多有的字符都是2Bytes,优点是字符--数字的转换速度快；缺点是占用空间大。

utf-8: 精准，可变长，优点是节省空间；缺点是转换速度慢，因为每次转换都需要计算出需要多长Bytes才能够准确表示。

1.内存中使用的编码是unicode，用空间换时间（程序都需要加载到内存才能运行，因而内存应该是越快越好）

2.硬盘中或网络传输用utf-8，保证数据传输的稳定性。

1 所有程序，最终都要加载到内存，程序保存到硬盘不同的国家用不同的编码格式，但是到内存中我们为了兼容万国（计算机可以运行任何国家的程序原因在于此），统一且固定使用unicode，

2 这就是为何内存固定用unicode的原因，你可能会说兼容万国我可以用utf－8啊，可以，完全可以正常工作，之所以不用肯定是unicode比utf－8更高效啊（uicode固定用2个字节编码

3 ，utf－8则需要计算），但是unicode更浪费空间，没错，这就是用空间换时间的一种做法，而存放到硬盘，或者网络传输，都需要把unicode转成utf－8，

4 因为数据的传输，追求的是稳定，高效，数据量越小数据传输就越靠谱，于是都转成utf－8格式的，而不是unicode。

七、字符编码转换

unicode------>encode(编码)-------->utf-8

utf-8---------->decode--------->unicode

文件从内存刷到硬盘的操作简称存文件

文件从硬盘读到内存的操作简称读文件

乱码： 存文件时就已经乱码  或者 存文件时不乱码而读文件时乱码

总结：

无论是何种编辑器，要防止文件出现乱码（请一定注意，存放一段代码的文件也仅仅只是一个普通文件而已，此处指的是文件没有执行前，我们打开文件时出现的乱码）

核心法则就是，文件以什么编码保存的，就以什么编码方式打开

八、 文本编辑器之python解释器

文件test.py以gbk格式保存，内容为：

x='林'

无论是

python2 test.py

还是

python3 test.py

都会报错（因为python2默认ascii，python3默认utf-8）

除非在文件开头指定#coding:gbk

九、程序的执行

python3 test.py  或 python2 test.py（执行test.py的第一步，一定是先将文件内容读入到内存中）

阶段一：启动python解释器

阶段二：python解释器此时就是一个文本编辑器，负责打开文件test.py,即从硬盘中读取test.py的内容到内存中

此时，python解释器会读取test.py 的第一行内容，#coding :utf-8,来决定以什么编码格式来读入内存，这一行就是来设定python解释器这个软件的编码使用的编码格式这个编码，python2默认使用ASCII，python3中默认使用utf-8

阶段三：读取已经加载到内存的代码（unicode编码的二进制），然后执行，执行过程中可能会开辟新的内存空间，比如x="egon"

内存的编码使用unicode，不代表内存中全都是unicode编码的二进制，

在程序执行之前，内存中确实都是unicode编码的二进制,比如从文件中读取了一行x="egon",其中的x，等号，引号，地位都一样，都是普通字符而已，都是以unicode编码的二进制形式存放与内存中的

但是程序在执行过程中，会申请内存（与程序代码所存在的内存是俩个空间），可以存放任意编码格式的数据，比如x="egon",会被python解释器识别为字符串，会申请内存空间来存放"hello"，然后让x指向该内存地址，此时新申请的该内存地址保存也是unicode编码的egon,如果代码换成x="egon".encode('utf-8'),那么新申请的内存空间里存放的就是utf-8编码的字符串egon了

十、python2与python3的区别

在python2中有两种字符串类型str和unicode

在python2中，str就是编码后的结果bytes，所以在Python2中，unicode字符编码的结果就是str/bytes

1 #coding:utf-8

2 s='林' #在执行时,'林'会被以conding:utf-8的形式保存到新的内存空间中

3

4 print repr(s) #'\xe6\x9e\x97' 三个Bytes,证明确实是utf-8

5 print type(s) #<type 'str'>

6

7 s.decode('utf-8')

8 # s.encode('utf-8') #报错，s为编码后的结果bytes，所以只能decode

当python解释器执行到产生字符串的代码时（例如s=u'林'），会申请新的内存地址，然后将'林'以unicode的格式存放到新的内存空间中，所以s只能encode，不能decode

1 s=u'林'

2 print repr(s) #u'\u6797'

3 print type(s) #<type 'unicode'>

4

5

6 # s.decode('utf-8') #报错，s为unicode，所以只能encode

7 s.encode('utf-8') 

对于unicode格式的数据来说，无论怎么打印，都不会乱码

python3中的字符串与python2中的u'字符串'，都是unicode，所以无论如何打印都不会乱码

在python3中也有两种字符串类型str和bytes\

str是unicode

1 #coding:utf-8

2 s='林' #当程序执行时，无需加u，'林'也会被以unicode形式保存新的内存空间中,

3

4 #s可以直接encode成任意编码格式

5 s.encode('utf-8')

6 s.encode('gbk')

7

8 print(type(s)) #<class 'str'>

chardet模块可以帮助我们从byte中识别是以哪一种编码方式进行编码的

f = open("兼职白领学生空姐模特护士联系方式.txt",'rb')
print(chardet.detect(f.read()))
以二进制打开,