Unicode？utf-8？GB2312？

分享一点关于字符编码的来源的知识，是前段时间在廖雪峰老师的python教程里看到的，觉得很通俗易懂，现在复制了过来分享给各位没看过这个教程的朋友们。Unicode、Ascall、GB2312、UTF-8等字符编码之间的关系，廖老师是这样说的：

因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是255（二进制11111111=十进制255），如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是65535，4个字节可以表示的最大整数是4294967295。

由于计算机是美国人发明的，因此，最早只有127个字符被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122。

但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以，中国制定了GB2312编码，用来把中文编进去。

你可以想得到的是，全世界有上百种语言，日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里，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。

因此，Unicode应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。

Unicode标准也在不断发展，但最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）。现代操作系统和大多数编程语言都直接支持Unicode。

现在，捋一捋ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码通常是2个字节。

字母A用ASCII编码是十进制的65，二进制的01000001；

字符0用ASCII编码是十进制的48，二进制的00110000，注意字符'0'和整数0是不同的；

汉字中已经超出了ASCII编码的范围，用Unicode编码是十进制的20013，二进制的01001110 00101101。

你可以猜测，如果把ASCII编码的A用Unicode编码，只需要在前面补0就可以，因此，A的Unicode编码是00000000 01000001。

新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。

所以，本着节约的精神，又出现了把Unicode编码转化为“可变长编码”的UTF-8编码。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，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间。

看完这些，顿时对这几个编码类型的来历明白了不少。小编初学python时，先接触的是python2，遇到的一个比较不爽的问题就是python2对中文的输出处理，当时用的编辑器是ulipad和pycharm，糊里糊涂用的版本是4.x的，还有很多地方没完善，对中文的处理还有很多问题，经常在Unicode和GB2312、utf-8这些编码上产生疑问，网上也有很多这方面的解决方案（如下图)

但都是可移植性不高的方案，后来用了5.x之后的pycharm版本后，中文输出的转码问题也就没了，即使是使用python2版本的编译器也一样能对字符编码正确转换，所以有空先把自己的编辑器升级为较高版本再编程也不失为一个好方法。至于一直都不怎么好用的ulipad也就越来越少用了，现在推荐使用一下anaconda，它包含了比较多的第三方库，在中文的支持上也是杠杠的。但如果是用python3的话，这些编码的问题便没有了，如下图，python3对中文的处理是自动化的了。