python基础4 ----字符编码

python基础---字符编码

　　一、了解字符编码

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

　　　　　　　　打开编辑器就打开了启动了一个进程，是在内存中的，所以在编辑器编写的内容也都是存放与内存中的，断电后数据丢失

          因而需要保存到硬盘上，点击保存按钮，就从内存中把数据刷到了硬盘上。

          在这一点上，我们编写一个py文件（没有执行），跟编写其他文件没有任何区别，都只是在编写一堆字符而已。

     2. 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文件，从硬盘上将test.py的文件内容读入到内存中

　　　　　　　　第三阶段：python解释器解释执行刚刚加载到内存中test.py的代码

　　总结：

1. 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。
2. 与文本编辑器不一样的地方在于，python解释器不仅可以读文件内容，还可以执行文件内容。

二、字符编码的发展史

　　1、字符翻译成数字的过程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

　　2、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（其范围之适用于英文）

　　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

　　3、阶段二:为了满足中文，中国人定制了GBK (GBK:2Bytes代表一个字符）。

　　　　　 日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里。

　4、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。

　　补充：

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，因而内存应该是尽可能的保证快）
2. 硬盘中或者网络传输用utf-8，网络I/O延迟或磁盘I/O延迟要远大与utf-8的转换延迟，而且I/O应该是尽可能地节省带宽，保证数据传输的稳定性

　　三、字符编码的使用

　　1、乱码产生的原因

　　　　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。

　　　　乱码一：存文件时就已经乱码

　　　　存文件时，由于文件内有各个国家的文字，我们单以shiftjis去存，本质上其他国家的文字由于在shiftjis中没有找到对应关系而导致存储失败，用open函数的write可以测试，f=open('a.txt','w',encodig='shift_jis')，f.write('你瞅啥 何を見て ') #'你瞅啥'因为在shiftjis中没有找到对应关系而无法保存成功，只存'何を見て '可以成功，但当我们用文件编辑器去存的时候，编辑器会帮我们做转换，保证中文也能用shiftjis存储（硬存，必然乱码），这就导致了，存文件阶段就已经发生乱码，此时当我们用shiftjis打开文件时，日文可以正常显示，而中文则乱码了。

　　　　乱码二：存文件时不乱码而读文件时乱码

　　　　存文件时用utf-8编码，保证兼容万国，不会乱码，而读文件时选择了错误的解码方式，比如gbk，则在读阶段发生乱码，读阶段发生乱码是可以解决的，选对正确的解码方式就ok了，而存文件时乱码，则是一种数据的损坏。

　　2、解决办法：

　　　　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

　　四、分析python程序的执行过程

　　　　1、过程

　　　　　　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是这个编码。可以用sys.getdefaultencoding()查　看，如果不在python文件指定头信息＃-*-coding:utf-8-*-,那就使用默认的python2中默认使用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"

　　　　注释：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"egon"，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.

　　　　五、python2与python3的区别

　　　　1、在python2中有两种字符串类型str和unicode

　　　　str类型：当python解释器执行到产生字符串的代码时（例如s='林'），会申请新的内存地址，然后将'林'encode转移成文件开头指定的编码格式，这已经是encode之后的结果了，所以s只能decode

　　　　unicode类型：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

　　　　2、 在python三种也有两种字符串类型str和bytes