欧美平面设计网站,实际讲解做钓鱼网站,长沙网页设计培训班,免费logo设计图文章目录 一、ASCII码二、非ASCII编码三、Unicode四、Unicode的问题五、UTF-8六、字符串前面加u,r,b的含义七 、Python中对各种编码的处理八、生成json时无法显示真正的中文 版权提示#xff1a;理论部分 转自 https://www.cnblogs.com/liupp123/articles/8023861.html 一、AS… 文章目录 一、ASCII码二、非ASCII编码三、Unicode四、Unicode的问题五、UTF-8六、字符串前面加u,r,b的含义七 、Python中对各种编码的处理八、生成json时无法显示真正的中文 版权提示理论部分 转自 https://www.cnblogs.com/liupp123/articles/8023861.html 一、ASCII码
计算机内部所有的信息最终都表示为一个二进制的字符串。每一个二进制位bit有0和1两种状态因此八个二进制位就可以组合出256种状态这也被称为一个字节byte。一个字节一共可以用来表示256种不同的状态每一个状态对应一个符号就是256个符号从00000000到11111111。
在上个世纪60年代美国制定了一套字符编码对英语字符与二进制位之间的关系做了统一规定。这被称为ASCII码一直沿用至今。
ASCII码一共规定了128个字符的编码比如空格SPACE是32二进制00100000大写的字母A是65二进制01000001。这128个符号包括32个不能打印出来的控制符号只占用了一个字节的后面7位最前面的1位统一规定为0。
二、非ASCII编码
英语用128个符号编码就够了但是用来表示其他语言128个符号是不够的。比如在法语中字母上方有注音符号它就无法用ASCII码表示。于是一些欧洲国家就决定利用字节中闲置的最高位编入新的符号。比如法语中的é的编码为130二进制10000010。这样一来这些欧洲国家使用的编码体系可以表示最多256个符号。
但是这里又出现了新的问题。不同的国家有不同的字母因此哪怕它们都使用256个符号的编码方式代表的字母却不一样。比如130在法语编码中代表了é在希伯来语编码中却代表了字母Gimel (ג)在俄语编码中又会代表另一个符号。但是不管怎样所有这些编码方式中0–127表示的符号是一样的不一样的只是128–255的这一段。
至于亚洲国家的文字使用的符号就更多了汉字就多达10万左右。一个字节只能表示256种符号肯定是不够的就必须使用多个字节表达一个符号。比如简体中文常见的编码方式是GB2312使用两个字节表示一个汉字所以理论上最多可以表示256x25665536个符号。
中文编码的问题需要专文讨论这篇笔记不涉及。这里只指出虽然都是用多个字节表示一个符号但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。
三、Unicode
世界上存在着多种编码方式同一个二进制数字可以被解释成不同的符号。因此要想打开一个文本文件就必须知道它的编码方式否则用错误的编码方式解读就会出现乱码。为什么电子邮件常常出现乱码就是因为发信人和收信人使用的编码方式不一样。
可以想象如果有一种编码将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码那么乱码问题就会消失。这就是Unicode就像它的名字都表示的这是一种所有符号的编码。
Unicode当然是一个很大的集合现在的规模可以容纳100多万个符号。每个符号的编码都不一样比如U0639表示阿拉伯字母AinU0041表示英语的大写字母AU4E25表示汉字严。具体的符号对应表可以查询unicode.org或者专门的汉字对应表
四、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问题是如何才能区别Unicode和ASCII计算机怎么知道三个字节表示一个符号而不是分别表示三个符号呢第二个问题是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。2Unicode在很长一段时间内无法推广直到互联网的出现。
五、UTF-8
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字符用两个字节或四个字节表示和UTF-32字符用四个字节表示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n1第一个字节的前n位都设为1第n1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。
六、字符串前面加u,r,b的含义
6.1、字符串前加 u
后面的字符串以 Unicode格式进行编码
plate u\u6e58AV256G
print(plate)输出 湘AV256G可见Python3的print就是默认unicode解码的
6.2、字符串前加 r
表示一个普通的字符串
plate r\u6e58AV256G
print(plate)输出\u6e58AV256G可见加r就是一个字符串没有任何其他含义
6.3、字符串前加 b
b 前缀表示后面字符串是bytes 类型网络编程中服务器和浏览器只认bytes 类型数据。
如下 Unicode的bytes数据解码成Unicode
plate b\u6e58AV256G
print(plate)
print(plate.decode(unicode-escape))输出
b\\u6e58AV256G
湘AV256G七 、Python中对各种编码的处理
7.1 python2和python3中查看默认编码
在python2中解析含有中文的“utf-8”编码的文件时通常会在脚本前加上 import sys reload(sys) sys.setdefaultencoding(utf-8) 用来设置默认编码方式但Python3中删除了这种方式。 笔者通过查看python中的默认编码方式发现脚本中已经默认是“utf-8”的编码了 查看python的字符串默认编码
import sys
sys.getdefaultencoding()输出utf-8 python3下
python3.x下应该改为如下方式import importlib
importlib.reload(sys)7.2解析\u开头的字符串
\u6e58就是unicode编码
plate \u6e58AV256G
print(plate)
plate 湘AV256G
print(plate)
plate u湘AV256G
print(plate)
plate u\u6e58AV256G
print(plate)打印出来都是湘AV256G可见以上并没有区别
7.3 Unicode的bytes数据解码成Unicode
字符串前有个b表示这个是Bytes型数据
plate b\u6e58AV256G
print(plate)
print(plate.decode(unicode-escape))输出
b\\u6e58AV256G
湘AV256G7.3如下utf-8的bytes数据解码成utf-8 以\x开头
plate b\xe6\xb9\x98AV256G
print(plate)
print(plate.decode(utf-8))输出
b\xe6\xb9\x98AV256G
湘AV256G7.4 字符串编码成Unicode
plate r湘AV256G
print(plate)
print(plate.encode(unicode-escape))输出
湘AV256G
b\\u6e58AV256G7.5 字符串编码成 utf-8
plate r湘AV256G
print(plate.encode(utf-8))输出
b\xe6\xb9\x98AV256GPS湘AV256G为笔者自编的车牌号如有雷同纯属巧合。
八、生成json时无法显示真正的中文
使用json.demp时发现中文以Unicode编码格式保存 如
import json
print (json.dumps(湘AV256G))输出\u6e58AV256G 这时候需要把dumps中的ensure_ascii这个按钮给关闭了 为啥ensure_ascii这个是默认开启的呢想想也不难理解毕竟老美的语言只有127个字母用ascii的编码会比其他编码节约空间。
如果想在json里输出真正的中文如下
import json
print (json.dumps(湘AV256G,ensure_asciiFalse))输出湘AV256G
