字符编码

原文出处：https://www.cnblogs.com/alex3714/articles/7550940.html

编码种类

• ASCII占1个字节，只支持英文
• GB2312占2个字节，支持6700+汉字
• GBK GB2312的升级版，支持21000+汉字
• Shift-JIS日本字符
• TIS-620 泰国编码

由于每个国家都有自己的字符，所以其对应关系也涵盖了自己国家的字符，但是以上编码都存在局限性，即：仅涵盖本国字符，无其他国家字符的对应关系。应运而生出现了万国码，他涵盖了全球所有的文字和二进制的对应关系

• unicode 2-4字节，已经收录了136690个字符，一直在不断增长..

Unicode起到了两个作用：

1. 直接支持全球所有语言，每个国家都可以不再使用自己之前的旧编码了，用unicode就可以了。（就跟英语是全球统一语言一样）
2. unicode包含了跟全球所有国家编码的映射关系。

Unicode解决了字符和二进制的对应关系，但是使用unicode表示一个字符，太浪费空间。例如：利用unicode表示“Python”需要12个字节才能表示，比原来ASCII表示增加了1倍。

由于计算机的内存比较大，并且字符串在内容中表示时也不会特别大，所以内容可以使用unicode来处理，但是存储和网络传输时一般数据都会非常多，那么增加1倍将是无法容忍的！！！

为了解决存储和网络传输的问题，出现了Unicode Transformation Format，学术名UTF，即：对unicode中的进行转换，以便于在存储和网络传输时可以节省空间!

• UTF-8： 使用1、2、3、4个字节表示所有字符；优先使用1个字符、无法满足则使增加一个字节，最多4个字节。英文占1个字节、欧洲语系占2个、东亚占3个，其它及特殊字符占4个
• UTF-16： 使用2、4个字节表示所有字符；优先使用2个字节，否则使用4个字节表示。
• UTF-32： 使用4个字节表示所有字符；

总结：UTF是unicode编码 设计的一种 在存储和传输时节省空间的编码方案。

字符在硬盘上的存储

无论以什么编码在内存里显示字符，存到硬盘上都是2进制。

需要注意的是，以某种编码存到硬盘，从硬盘读出来的时候就必须用那种编码读，要不然就乱了。

python3的执行过程

1. 解释器找到代码文件，把代码字符串按文件头定义的编码加载到内存，转成unicode
2. 把代码字符串按照语法规则进行解释
3. 所有的变量字符都会以unicode编码声明

如果使用python3的话，我们用utf8编码的文件可以在windows下的终端(gbk)正常显示，是因为到了内存里python解释器会把utf8转成unicode，在输出的时候，如果你的终端是gbk编码的或者是utf8编码的，python3就会把unicode转成gbk或utf8。（unicode可以和任意编码格式灵活转换）

但仅限于python3，并不是所有的变成语言在内存里默认编码都是unicode的，比如 python2就不是，它的默认编码是ASCII，想写中文，就必须声明文件头的coding为gbk or utf8，声明之后，python2的解释器仅以文件头声明的编码去解释你的代码，加载到内存后，并不会主动帮你转成unicode，也就是说，你的文件编码是utf-8，加载到内存里，你的变量字符串就也是utf8，意味着，你以utf8编码的文件，在windows是乱码..

既然Python2并不会自动的把文件编码转为unicode存在内存里， 那就只能使出最后一招了，你自己人肉转。Py3 自动把文件编码转为unicode必定是调用了什么方法，这个方法就是，decode(解码) 和encode(编码)

UTF-8 --> decode 解码 --> Unicode
Unicode --> encode 编码 --> GBK / UTF-8 ..

python bytes类型

在python2中，byte==str， unicode是一个单独类型

由于Python创始人在开发初期认知的局限性，其并未预料到python能发展成一个全球流行的语言，导致其开发初期并没有把支持全球各国语言当做重要的事情来做，所以就轻佻的把ASCII当做了默认编码。 当后来大家对支持汉字、日文、法语等语言的呼声越来越高时，Python于是准备引入unicode,但若直接把默认编码改成unicode的话是不现实的， 因为很多软件就是基于之前的默认编码ASCII开发的，编码一换，那些软件的编码就都乱了。所以Python 2 就直接 搞了一个新的字符类型，就叫unicode类型，比如你想让你的中文在全球所有电脑上正常显示，在内存里就得把字符串存成unicode类型

python3 unicode==str, byte是一个单独的类型

为什么在py3里，把unicode编码后，字符串就变成了bytes格式？ 你直接给我直接打印成gbk的字符展示不好么？我想其实py3的设计真是煞费苦心，就是想通过这样的方式明确的告诉你，想在py3里看字符，必须得是unicode编码，其它编码一律按bytes格式展示。

最后再提示一下，Python只要出现各种编码问题，无非是哪里的编码设置出错了
常见编码错误的原因有：

• python解释器的默认编码
• python源文件文件编码
• Terminal使用的编码
• 操作系统的语言设置