Python 有关 Unicode UTF-8 GBK 编码问题详解

1.统一码（Unicode）

Unicode 也叫万国码、单一码，是计算机科学领域里的一项业界标准，包括字符集、编码方案等。对于世界上所有的语言文字在 unicode 中都可以查看到。

【汉】[字的编码解释官网]
https://www.unicode.org/cgi-bin/GetUnihanData.pl?codepoint=6C49

unicode 编码就是为了统一世界上的编码，有一个统一的规范。但是它还存在一些问题。

Unicode 的问题 需要注意的是，Unicode 只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

比如，汉字“严”的 unicode 是十六进制数 4E25，转换成二进制数足足有 15 位（100111000100101），也就是说这个符号的表示至少需要 2 个字节。表示其他更大的符号，可能需要 3 个字节或者 4 个字节，甚至更多。

这里就有两个严重的问题

• 第一个：我们知道计算机中最基础的编码就是 ascii 那么如何才能区别 unicode 和 ascii？计算机怎么知道那个是 ascii 那个是 unicode 呢，究竟是三个字节表示一个符号，还是一个字节表示一个字符？
• 第二个：我们已经知道，英文字母只用一个字节表示就够了，如果 unicode 统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是 0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

它们造成的结果是：

1. 很多企业研发自己的存储格式，于是出现了 unicode 的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示 unicode。我们常用的就是 utf8 utf16 这种存储方式。
2. unicode 在很长一段时间内无法推广，直到互联网的出现。

2.UTF-8 编码

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8 就是在互联网上使用最广的一种 unicode 的实现方式。其他实现方式还包括 UTF-16 和 UTF-32，不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8 是 Unicode 的实现方式之一。

UTF-8 最大的一个特点，就是它是一种变长的编码方式。它可以使用 1~4 个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8 的编码规则很简单，只有二条：

1. 对于单字节的符号，字节的第一位设为 0，后面 7 位为这个符号的 unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的。
2. 对于 n 字节的符号（n>1），第一个字节的前 n 位都设为 1，第 n+1 位设为 0，后面字节的前两位一律设为 10。剩下的没有提及的二进制位，全部为这个符号的 unicode 码。

下表总结了编码规则，字母【x】表示可用编码的位。

Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------
0000 0000-0000 007F | 0xxxxxxx  
0000 0080-0000 07FF | 110xxxxx 10xxxxxx  
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx  
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

Python 代码举例：

a = '\u6c49' # 汉的unicode编码
print(a)
a = '汉'
print("汉字utf8格式：",a.encode('utf8'))
print('汉字unicode格式：',a.encode('unicode_escape'))
print('汉字gbk格式：',a.encode('gbk'))
print('汉字gb2312格式：',a.encode('gb2312'))
# 输出结果
汉
汉字utf8格式：b'\xe6\xb1\x89'
汉字unicode格式：b'\\u6c49'
汉字gbk格式：b'\xba\xba'
汉字gb2312格式：b'\xba\xba'

可以看到以上结果，汉字的汉通过 print 打印时用的是 unicode 编码，存储时使用 utf8,也即是我们保存文件时常用的编码

with open('xxx.txt','w',encoding='utf-8') as f:
    f.write(xxx)

打开的时候也要指定文件编码

with open(file_path, encoding='utf-8') as f:
    f.read()

当使用 gbk 编码保存的文件使用 utf8 打开时会报错,使用 gbk 打开即可

with open(r'gbk.txt','r',encoding='utf-8') as f:  
    print(f.read())
    
错误信息：
(result, consumed) = self._buffer_decode(data, self.errors, final)
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd5 in position 0: invalid continuation byte

总结

1. UNICODE 是一个符号集合,对全世界的语言都对应一个符号编码
2. UTF-8 是 UNICODE 在计算机中存储时的具体体现，是存储方案
3. UTF-16 同理 UTF-8
4. UTF-32 同理 UTF-8
5. GB2312或GB2312-80是一个简体中文字符集的中国国家标准，全称为《信息交换用汉字编码字符集--基本集》，由中国国家标准总局发布，1981年5月1日实施。GB2312编码通行于大陆；新加坡等地也采用此编码。几乎所有的中文系统和国际化的软件都支持GB2312。
6. GBK: 汉字国标扩展码,基本上采用了原来 GB2312-80 所有的汉字及码位，并涵盖了原 Unicode 中所有的汉字 20902，总共收录了 883 个符号， 21003 个汉字及提供了 1894 个造字码位。