python 字符编码与转换

unicode 中文英文默认统一 2个字节

ASCII 只有英文和特殊字符 每个占用1个字节 不能存中文

每个字节由8个比特(Bit)构成

假如一个英文文档是2M，转换为unicode 编码转换，就变成了4M

为了解决空间浪费的问题，在unicode的基础上，出现了一个扩展集，叫UTF-8

UTF-8编码是可变长编码。默认所有英文字母按照ASCII的形式去存储。

所有中文字符，统一是3个字节

英文和特殊字符，依然是1个字节

unicode是万国编码，任何国家都可以使用。每个国家，编码都不一样的。

比如一款游戏《大话西游》用的是gbk编码开发的。出口到欧美国家，是无法直接运行的。

怎么办呢？把gbk转换为unicode就可以解决这个问题了。

关于字符编码与转码

请参考详细文章:

http://www.cnblogs.com/luotianshuai/articles/5735051.html

http://www.diveintopython3.net/strings.html

需知:

1.在python2默认编码是ASCII, python3里默认是unicode

2.unicode 分为 utf-32(占4个字节),utf-16(占两个字节)，utf-8(占1-4个字节)， so utf-16就是现在最常用的unicode版本， 不过在文件里存的还是utf-8，因为utf8省空间

3.在py3中encode,在转码的同时还会把string 变成bytes类型，decode在解码的同时还会把bytes变回string

下面请看一张图

blob.png

将字符串转换为gbk

s = "您好"
print(s.encode("gbk"))

执行输出

b'\xc4\xfa\xba\xc3'

可以看到输出最前面有一个b 表示这是一个二进制类型，也称之为bytes类型

那么encode("gbk"),不光是转换了编码，还转换成了二进制数据

查看gbk和utf-8的区别

import sys
#打印默认编码
print(sys.getdefaultencoding())

s = "您好"
s_gbk = s.encode("gbk")
#打印gbk
print(s_gbk)
#打印utf-8,encode()默认使用utf-8
print(s.encode())

执行输出

utf-8

b'\xc4\xfa\xba\xc3'

b'\xe6\x82\xa8\xe5\xa5\xbd'

将gbk转换为utf-8

import sys
#打印默认编码
print(sys.getdefaultencoding())

s = "您好"
s_gbk = s.encode("gbk")
print(s_gbk)
print(s.encode())

gbk_to_utf8 = s_gbk.decode("gbk").encode("utf-8")
print("utf8",gbk_to_utf8)

执行输出

utf-8

b'\xc4\xfa\xba\xc3'

b'\xe6\x82\xa8\xe5\xa5\xbd'

utf8 b'\xe6\x82\xa8\xe5\xa5\xbd'

发现转换之后，和上面的utf-8，是一模一样的。

上面的大图显示

gbk转换为utf8,需要2步

1.首先通过编码【decode】转换为unicode编码

2.然后通过解码【encode】转换为utf-8的编码

总结:

不同编码之间的转换，必须要先转换为unicode编码。

先执行decode()方法，传一个参数，告诉它，我是什么编码。

最后执行encode()方法，传一个参数，将要转换的编码是什么。

以下代码表示，声明文件编码为

# coding: gbk

在python 里面，默认声明的变量是utf-8

# coding: gbk
import sys
#打印默认编码
print(sys.getdefaultencoding())

s = "您好"
s_gbk = s.encode("gbk")
print(s_gbk)

程序执行

utf-8

b'\xc4\xfa\xba\xc3'

如果想要转换的gbk，能够正常显示

需要执行4步

print(s.encode("utf-8").decode("utf-8").encode("gbk").decode("gbk"))

这一段代码就可以正常输出中文

由于s变量，默认就是utf-8编码，不能直接使用decode()方法。

需要先执行encode("utf-8"),再执行decode("utf-8")

再执行encode("gbk")，输出

b'\xc4\xfa\xba\xc3' 由于它是一个bytes类型，需要转换为字符串，所以最后执行decode("gbk")

得到中文 您好

编码之间的转换，需要2个步骤。先decode()，再encode().

转换完成之后，数据是bytes类型的，比较恶心啊。

如果需要正常显示，得decode()一下，才能正常显示。

注意，这里是decode()是指bytes类型与string类型之间的相互转换。