• Python字符编码


     1、内存和硬盘都是用来存储的

      内存: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:启动Python解释器,这就相当于启动了一个文本编辑器

      第二阶段:将硬盘上的test.py文件当作文本文件读入内存

      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、什么是字符编码

       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)就是计算机的工作方式,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:计算机起源于美国,最早诞生也是基于英文考虑的ASCII

      ASCII码:只能识别英文字符,一个字节(Bytes)代表一个英文字符或键盘上的所有其他字符,1Bytes = 8bit(比特位),8bit 可以表示 0 —— (2^8-1) 种变化,即可以表示256个字符。

    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,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。

    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就在于此),统一且固定使用Unicode
    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(Unicode固定用2个字节编码,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,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。
    为什么内存使用Unicode不使用UTF-8

    7、字符编码转换

    字符 --- 编码 --> Unicode的二进制 ------- 编码 -----> GBK的二进制

    GBK的二进制 ----- 解码 --> unicode的二进制 ---- 解码 --> 字符

    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,字符用什么编码格式编码的,就应该用什么编码格式进行解码

    8、 Python解释器默认的字符编码

    例:文件 test.py 以 gbk 格式保存,内容为:

      x = '湫'

    无论是python2 test.py,还是python3 test.py,都会报错,因为解释器默认的字符编码:

      Python2:ASCII

      Python3:UTF-8

    通过文件头可以修改Python解释器默认使用的字符编码,在文件首行写:#coding: 后面跟上文件当初存的时候用的字符编码

    9、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,即把硬盘中 test.py 的内容读取到内存中

    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,其中这个编码,Python2默认使用ASCII,Python3默认使用UTF-8

    阶段三:解释器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 = "qiuxi"

    注意:

      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 = "qiuxi",其中的x,赋值号,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于内存中的,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两个空间),可以存放任意编码格式的数据,比如x = "qiuxi",会被Python解释器识别为字符串,会申请内存空间来存放"qiuxi",然后让 x 指向该内存地址,此时新申请的内存地址保存的也是Unicode编码的qiuxi,如果代码换成 x = "qiuxi".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qiuxi了

    10、Python2与Python3的区别

    在Python2中有两种字符串相关类型:str 和 Unicode

    # -*- coding: utf-8 -*-
    s = '' # 在执行时,'林'会被utf-8的形式保存到新的内存空间中
    
    print repr(s) # 'xe6x9ex97' 三个Bytes,证明确实是utf-8
    print type(s) # <type 'str'>
    
    s.decode('utf-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

    s = u''
    print repr(s) # u'u6797'
    print type(s) # <type 'unicode'>
    
    # s.decode('utf-8') # 报错,s为Unicode,所以只能encode
    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中也有两种字符串相关类型:str 和 bytes

      str是Unicode

    # -*- coding: utf-8 -*-
    s = '' # 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,
    
    # s可以直接encode成任意编码格式
    s.encode('utf-8')
    s.encode('gbk')
    
    print(type(s)) # <class 'str'>
  • 相关阅读:
    eclipse中的TODO和FIXME
    使用mui框架后a标签无法跳转
    java.lang.OutOfMemoryError: Java heap space异常
    mysql中表触发器的简单使用
    编写第一个 Java 程序
    QDialog类exec()与show()的区别
    Qt中信号槽connect的多种类型
    2.3 UML活动图
    2.2 UML用例模型
    2.1 uml序言
  • 原文地址:https://www.cnblogs.com/qiuxirufeng/p/9676153.html
Copyright © 2020-2023  润新知