关于字符编码(2)

看这个教程 学习python中，在字符编码这一章边看边想，做点记录。

(python 3)

引用:...

在最新的Python 3版本中，字符串是以Unicode编码的

对于单个字符的编码，Python提供了ord()函数获取字符的整数表示，chr()函数把编码转换为对应的字符：

>>> ord('A')
65
>>> ord('中')
20013

如果知道字符的整数编码，还可以用十六进制这么写str：

>>> 'u4e2du6587'
'中文'

（由于Python的字符串类型是str，在内存中以Unicode表示）

以Unicode表示的str通过encode()方法可以编码为指定的bytes，例如：

>>> 'ABC'.encode('ascii')
b'ABC'
>>> '中文'.encode('utf-8')
b'xe4xb8xadxe6x96x87'

(在bytes中，无法显示为ASCII字符的字节，用x##显示。)

...

注意到，

字符	ASCII	Unicode	UTF-8
'中'	无	(01001110 00101101)b <=> 0x4e2d (注：0xe4b8 <=> 1110 0100 1011 1000 )	11100100 10111000 10101101

 

想错了。。本来一看这个排序好像有点反过来的意思，然而并不是，'xe4xb8xadxe6x96x87' 是已经转换成UTF-8了。。已经划掉，无视就好。。

好那就进入UTF-8环节：

UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，'中' 就变成了0xe4b8ad(见上表)

从这里 可以看到UTF-8的编码规则，其中三字节的规则是

3字节 1110xxxx 10xxxxxx 10xxxxxx

直接来检验一下：

把 xxx换成'中'的Unicode [ 0100 111000 101101 ]， 并分段填入

得到 11100100 10111000 10101101

与'中'的UTF-8码(见上表)相同。

OK回去继续学习