给自己与初学者关于decode,encode的建议(啥utf-8,GBK)。

学了不少时间了，对于字符串的编码与解码总算有了一些认识。

记录一些自己的想法。

首先，在Python3里面，我们的str类型，相当于Python2的中unicode。

>>> name = '四店'
>>> name
'xe5x9bx9bxe5xbax97'
>>> uname = name.decode('utf-8')
>>> print name
四店
>>> print uname
四店
>>> uname
u'u56dbu5e97'
>>> type(uname)
<type 'unicode'>
>>> type(name)
<type 'str'>

 上面的是在python2中运行的结果，可以看到终端模式下，输入字符串对象只会出来对象的字节码数据，只有在print输出的时候，才出现对应的文字。

但在Python3中完全不一样了，py3的str就是py2的unicode

In [663]: name = u'u56dbu5e97'                                                                                        

In [664]: name                                                                                                          
Out[664]: '四店'

In [665]: uname = name.encode('utf8')                                                                                   

In [666]: uname                                                                                                         
Out[666]: b'xe5x9bx9bxe5xbax97'

In [667]: print(name)                                                                                                   
四店

In [668]: print(uname)                                                                                                  
b'xe5x9bx9bxe5xbax97'

在这里可以看到，我们赋值给name的unicode的字符标识，但无论是终端还是print输出，name一直是四点了。

name明显是str模式，所以证明了前面说的。

后面流畅的Python我会记录自己的更加详细对与解码，编码的理解。

其实想通了感觉也就那么回事，网上好多资料，基本都是一大抄。

我最后稍微总结一下。unicode就是一份超级大字典，全世界所有的文字都有，所以Python终端显示用unicode蛮好

但unicode的对应表，很多人觉的传输数据的时候不好，就搞出来了utf-8,utf-16,utf-32，这个也是一份映射表。

假如在unicode里面，每个文字的名字相当与码位，utf-8,utf-16就好比编号。

比如"好"的unicode为u'u597d'，utf-8为'xe5xa5xbd'

这个一对一对应的，就是说，unicode里面的每一个字符都可以找到utf-8的对应字节序（通俗讲就是编号）。

所以大家应该用utf-8。

再来说一些地方与国家的编码，比如中国的gbk，gbk包含了全部的中国字与字节码的映射关系，可以想象成这是一本，中国的地方字典。

In [669]: name                                                                                                          
Out[669]: '四店'

In [670]: bytes(name,encoding='gbk')                                                                                    
Out[670]: b'xcbxc4xb5xea'

 当我们在encode的时候，首先先拿gbk对照表里面的字来对比需要解码的字，比如第一个四字，找到了它的序号为xcbxc4，然后对编号进行输出。

所以这个很容易造成问题，你如果给一个他字符集没有的字，找了老半天才找到。

In [679]: 'u20ac'.encode('gbk')                                                                                        
---------------------------------------------------------------------------
UnicodeEncodeError                        Traceback (most recent call last)
<ipython-input-679-90f6ff568b6b> in <module>
----> 1 'u20ac'.encode('gbk')

UnicodeEncodeError: 'gbk' codec can't encode character 'u20ac' in position 0: illegal multibyte sequence

In [680]: 'u20ac'                                                                                                      
Out[680]: '€'

 就报错了，话说gbk的字符集还是蛮厉害了，输入了日本字，意大利的字，基本都有。

但对于utf-8只要是unicode的字符，他都能编码

In [680]: 'u20ac'                                                                                                      
Out[680]: '€'

In [681]: 'u20ac'.encode('U8')                                                                                         
Out[681]: b'xe2x82xac'

 所以再次推荐大家以后都用utf-8这样的话，以后里面的decode，encode的ignore参数都可以不用了。

这里还有一份老外写的参考链接:https://pycoders-weekly-chinese.readthedocs.io/en/latest/issue5/unipain.html

还行吧，反正我没咋看懂，应该有很多py2的说明，py2基本没啥节操过。

前面写的我就不删除了，从流畅的Python书中指出，Python内置100多种字符编码。

我的理解就是，当给你一个字符假如是"我",Python的100多种解码器中能找到"我"的对应的字节序列是不一样的。

你通过编码的方式把unicode中的"我"转换成字节序列，可以是2字节，也可能是3字节。

可以用于计算机的存储，或者网络的传输，但机器看的懂的，人看不懂，当需要人看的时候，你又需要用同样的方式把机器的字节序列装换成人看的懂的。

这个就是解码。你用什么编码的，就必须用什么解码，其实有了utf8，另外的编码方式真的应该淘汰了。

解码以后就是unicode了，你可以把unicode想象成就是文字。

但unicode变成文字是在哪里实现，又是如何实现的，网上的资料比较少。所以我只能把unicode想象成文件了，

因为你编码的时候就是对unicode进行编码。