Python学习---深入编码学习1225

1.1. Python2

Py2中只有2中数据类型，Str和Unicode,而且str中保存的是bytes，Unicode中保存的是unicode

一切我们能看到的明文都是unicode数据类型， bytes是计算机识别的内容

Py2特点:

Py2是ASCII编码，只能将ASCII里面的字符做转换，其他的会报错

严格意义上说，str其实是字节串, unicode是一个字符串，str是unicode这个字符串经过编码（utf8,gbk等）后的字节组成的序列。

unicode才是真正意义上的字符串

py2编码的最大特点是Python 2 将会自动的将bytes数据解码成 unicode 字符串,不区分str和unicode

所以在2里我们可以将字节与字符串拼接, 对字节串str使用正确的字符编码进行解码后获得，并且len(u'苑') == 1

# coding:utf-8            # Py2不添加直接报错
print '我是谁'            # 一切我们能看到的明文都是unicode数据类型[utf-8 ->Unicode -> Unicode]
# bytes = str
print '我是Jackie'        # str 类型内存中是bytes
print repr('我是Jackie')  #'\xe6\x88\x91\xe6\x98\xafJackie' 一个汉字等于3个字节
print type('我是Jackie')  # <type 'str'>
 
print u'我是Jackie'       # 我是Jackie
print type(u'我是Jackie') # <type 'unicode'>
 
print 'hello' + u'world'  # world是Unicode编码，但打印成功，因为print里面做了处理，将‘hello'的byte类型转换为了unicode
# print (u'我是'+'谁')    # 因为中文的unicode无法做ASCII转换，所以报错,需要手动解码                             # UnicodeDecodeError: 'ascii' codec can't decode byte 0xe6
                          # in position 0: ordinal not in range(128)

1.2. Python3

Py3中只有2中数据类型，Bytes和Unicode, 而且str中保存的是unicode，Bytes中保存的是bytes

Python3中默认是utf-8，中文占用3个字节【GBK中文占用2个字节】

Python 3最重要的新特性大概要算是对文本[unicode]和二进制数据[bytes]作了更为清晰的区分。文本总是Unicode，由str类型表示，二进制数据则由bytes类型表示。

Python 3 中对 Unicode 支持的最大变化就是将会没有对 byte 字节串的自动解码。如果你想要用一个 byte 字节串和一个 unicode 相链接的话，你将会得到一个错误，不管你包含的内容是什么。

所有这些在 Python 2 中都将会有隐式的处理，而在 Python 3 中你将会得到一个错误。

Python3中大量的使用了迭代器，避免了数据一次性全部加载到内存中。

s = '中国'                  # s里面存的Unicode
b1 = s.encode('utf-8')
print(b1, type(b1))         # b'\xe4\xb8\xad\xe5\x9b\xbd' <class 'bytes'>
print(b1.decode('utf-8'))   # 中国   decode的是Unicode,但是print显示的是明文，中间系统转换了结果
# print(b1.decode('gbk'))   # UnicodeDecodeError: 'gbk' codec can't decode byte 0xad
                         # 打印的时候因为个数对应不上，所以报错了

查看中文字符的Unicode编码:

import json
s = '中国'
print(repr(s))             # Py2:  repr可以直接查看
print(json.dumps(s))       # Py3:  \u4e2d\u56fd

1.3. 其他

问：Py2中为什么要添加conding:utf-8才可以打印汉字？utf-8是谁看呢？

答：给Python2的解释器看，因为Py2的默认编码是ASCII，不能识别中文，所以需要声明编码方式

问：Py2中文件在磁盘中的编码是什么？

IDEA有自己的保存格式，所以根IDEA有关，解释器解释的时候是根据我们保存的文件格式去解释的，保存的和解释的要一致了才能执行解释。

问：Py2在执行的时候的内容跟磁盘的内容是否一样呢？

答: 转换编码后是一致的，磁盘保存的为计算机识别的二进制文件

问：Python文件编码的时候是utf-8为什么刚才我们又说字符串在内存中是Unicode编码呢？

答：Unicode是万国码，不同的系统编码不同，所以Python解释器帮我们解释为Unicode后加入内存，这个时候就不用担心系统解释器解释不了【Py2和Py3一样】

问：Py2和Py3中print的区别？

答：在Python 2中，print是一个语句（statement）；而在Python 3中变成了函数（function）。

问：大概的流程是什么？

答：操作系统基于UTF_8保存的文本 --> 读取进入内存中[UTF-8] --> 解释器转换我们保存的数据为Unicode编码[我们保存的数据到此都是Unicode] --> 交给CPU去执行[此时CPU将我们要打印的内容进行了转换

ASCII: 将二进制翻译成我们能看懂的字符，共计255个符号，所有字符占用8个比特1个字节

支持中文的第一张表就叫 GB2312

unicode 万国码支持所有国家和地区的编码且向下兼容gb2312 , gbk

2**16 = 65535 = 存一个字符统一占用2个字节

UTF-8 = unicode 的扩展集，可变长的字符编码集

Assic -->Gb2312 ->gbk1.0-->gb18030

Assic -->unicode -->utf-8(支持所有国家语言，支持中文) /utf-16

Py3中只有2种数据类型：str[unicode编码] bytes[十六进制编码]， 2者可以相互转换，其他的转换需要中间转

1	`bytes-->int:` `int(str(bytes('123',` `'utf-8'),'utf-8'))` `# 编码`

Py3中合并Py2中的int和long int类型为int类型