python中的字符串和编码

了解编码之前首先说下这几个词的概率：

位、字节、字符、字符串

　　1、位（bit）也称为比特

　　　　这个其实很简单，因为计算机都是二进制存储数据，也就是0和1，一个0或者1就表示一位。这是计算机存储的最小单位。

　　2、字节（bytes）

　　　　一个字节由8位组成，00000000到11111111 如果第一位不做符号位，那么一个字节能表示的整数范围：0-255。我们平常的网络传出信息，都是转换为字节进行传输的。

　　3、字符

　　　　比如 'a'或者'b'这就表示一个字符a 一个字符b。

　　4、字符串

　　　　至少两个字符就组成了字符串，比如：'123456aa'。

有了上面这些了解，就可以正式说说编码的问题：

　　ASCII编码：（一个字节）

　　　　由于计算机是美国人发明的，他们最初只考虑了他们自己语言，所以他们就只把字母、数字、特殊符号总共127字符编码进了计算机，形成了ASCII编码表。

　　　　由于字符比较少，只用了一个字节，就能存储所有的字符：二进制从0000 0000 到 0111 1111 十进制 0-127

　　　　ASCII值：数字的ASCII码<大写字母的ASCII码<小写字母的ASCII码。

　　　　查询ASCII技巧，方便查询ASCII码对应的字符：新建一个文本文档，按住ALT+要查询的码值（注意，这里是十进制），松开即可显示出对应字符。例如：按住ALT+97,则会显示出'a'。

　　GB2312编码：（两个字节）

　　　　我们也把所有的汉字编码进了计算机，由于汉字很多而且不能与ASCII编码冲突，所以一个汉字至少需要两个字节来编码。

　　　　但这里就出现问题了，那么多个国家，那么多语言，没有标准，各自编码进去，肯定会很混乱。

　　Unicode编码：（至少两个字节）

　　　　Unicode编码就是为了解决语言混乱问题而出现的，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。由于语言众多，至少都要两个字节，并且为了兼容以前的老程序，ASCII里面字符对应的编码不用变，只需要前面加8个0凑成两个字节就够了。

　　虽然这样统一了，可以解决乱码问题，不过却存在存储资源的浪费。如果一篇文章全是英文写的，以前只要1K,现在就得2k,存储空间浪费太多。

　　UTF-8编码：（1-6个字节）可变长编码

　　 utf-8就在unicode上进行了升级。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，这样如果是全英文的就大大节省空间。

　　在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。

　　用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件：

字符	ASCII	Unicode	UTF-8
A	01000001	00000000 01000001	01000001
中	x	01001110 00101101	11100100 10111000 10101101

　　对于单个字符的编码，Python提供了ord()函数获取字符的整数表示，chr()函数把编码转换为对应的字符：这里的整数都是对应该字符再Unicode中的编码

　　ord('A') #65

　　ord(‘中’）#20013

　　chr(20013) #'中'

　　由于Python的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节。如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes。

　　Python对bytes类型的数据用带b前缀的单引号或双引号表示：

　　x = b'ABC'

　　注意区分'ABC'和b'ABC'，前者是str，后者虽然内容显示得和前者一样，但bytes的每个字符都只占用一个字节。

　　以Unicode表示的str通过encode()方法可以编码为指定的bytes，在bytes中，无法显示为ASCII字符的字节，用\x##显示，例

>>> 'ABC'.encode('ascii')
b'ABC'
>>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'

　　如果我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。要把bytes变为str，就需要用decode()方法：　

>>> b'ABC'.decode('ascii')
'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'