encode()和decode()编码与解码的解析、常用编码与为何要encode和decode |
您所在的位置:网站首页 › 本文对汉字行的解码是为了说明什么 › encode()和decode()编码与解码的解析、常用编码与为何要encode和decode |
文章目录
(小拓展):(一)ASCII 码(二)Unicode 码(三)UTF-8 码(四)总结与encode、decode(五)encode()和decode()(六)字符编码
(小拓展):
下面是每个字符对应的编号,字符0-9对应编号48~57,就是说ASCII码全是字符! 我们键盘上每个键都对应一个ascii码,这也就是为什么python中input(‘请输入一个数’)得到的是字符,我们还得把它转换成int的原因了。 ASCII 码 表示 127 个英文字符。 ASCII 码最先出现,最初只适合英语。 随着计算机普及,各国家语言不同,文字多少更是不同,127个根本不够用。各国都要为自己的语言编码。 中国自己的编码是gbk,每个中文需要使用两个字节来编码,中文编码的规则 —— GB2312 (都是常用汉字),比如高考报名时有的学生姓名输入是乱码,就是因为教育部用的GB2312,而他的名字中有个太偏僻的字。 由于不同国家有不同的编码规则,如日本,韩国都使用各自国家的编码规则,在多语言 混用的场合会出现混乱。怎么解决? (二)Unicode 码Unicode 用来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通常用两个字节编码(有的也用四个字节),而 ASCII 码通常用一个字节字节。ASCII 码转换成 Unicode 在前面一个字节补 0。 Unicode码虽然全面,但是用起来笨重,比如说我就是想传个1到服务器,你还要给我用两个字节编码么?传额外15个0? (三)UTF-8 码UTF-8 把unicode进行优化,减小了硬盘存储空间浪费与传输效率低下。 不过在内存中都要转换成unicode。 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。 UTF-8 的一个好处在于,原有的 ASCII 的编码可以在 UTF-8 下继续工作。 (四)总结与encode、decode搞清楚了 ASCII、Unicode 和 UTF-8 的关系,我们就可以总结一下现在计算机系统通用 的字符编码工作方式: 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:rw-file-utf-8 。 浏览网页的时候,服务器会把动态生成的 Unicode 内容转换为 UTF-8 再传输到浏览器: web-utf-8。 所以你看到很多网页的源码上会有类似的信息,表示该网页正是用的 UTF-8 编码。 首先要搞清楚,字符串在 Python 内部的表示是 unicode 编码,因此,在做编码转换时, 通常需要以 unicode 作为中间编码,即先将其他编码的字符串解码(decode)成 unicode,再从 unicode 编码(encode)成另一种编码。 1.decode:其它码–>unicode decode 的作用是将其他编码的字符串转换成 unicode 编码,如 str1.decode(‘gb2312’),表 示将 gb2312 编码的字符串转换成 unicode 编码。 2.encode:unicode–>其它码 encode 的作用是将 unicode 编码转换成其他编码的字符串,如 str2.encode(‘gb2312’),表 示将 unicode 编码的字符串转换成 gb2312 编码。 ![]() 我们已经讲过了,字符串也是一种数据类型,但是,字符串比较特殊的是还有一个编码问题。 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字符集应运而生。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UCS-16编码,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: 从上面的表格还可以发现,UTF-8编码有一个额外的好处,就是ASCII编码实际上可以被看成是UTF-8编码的一部分,所以,大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。 搞清楚了ASCII、Unicode和UTF-8的关系,我们就可以总结一下现在计算机系统通用的字符编码工作方式: 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: 浏览网页的时候,服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器: 所以你看到很多网页的源码上会有类似的信息,表示该网页正是用的UTF-8编码。 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |