ASCII、Unicode、UTF-8以及Python3编码问题

编码问题，其实的确是个很烦人的问题，一开始觉得不需要看，到后来出现问题，真的是抓狂，

而像我们这些刚刚涉及到这些问题的小白来说，更是无从下手，所以查阅资料，总结理解下各个概念以及Python3的编码问题。

ASCII码

首先，我们大概都理解的是目前我们所见到的文本都是计算机处理过显示出来的，实际上计算机只能存储的是数字，要处理文本，就必须将文本与数字进行转换处理。而我们都知道，在计算机中，8个计算机能识别的0/1位（bit）组成了了一个字节（byte），而一个字节即可表示255个数字，提供255个不同的标识。

最早的时候计算机是美国发明的，而自然而然的他们将127个大小写字母、数字以及一些基本符号一一编号，也就形成了我们最为熟知的ASCII码，

Unicode

那么很明显的，随着计算机的普及，这仅仅的127个字符甚至255个字符肯定也无法满足大家的需求了，比如我们中文，那么就有了Unicode。

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。

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 。

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，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 <meta charset="UTF-8" /> 的信息，表示该网页正是用的UTF-8编码

Python的编码问题

在最新的Python 3版本中，字符串是以Unicode编码的，也就是说，Python的字符串支持多语言，例如：

>>> print('包含中文的str')

包含中文的str

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：

>>> ord('A')

65

>>> ord('中')

20013

>>> chr(66)

'B'

>>> chr(25991)

'文'

如果知道字符的整数编码，还可以用十六进制这么写 str

'\u4e2d\u6587' // 中文

byte

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'

要注意区分 '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 ，例如：

>>> 'ABC'.encode('ascii')

b'ABC'

>>> '中文'.encode('utf-8')

b'\xe4\xb8\xad\xe6\x96\x87'

>>> '中文'.encode('ascii')

Traceback (most recent call last):

  File "<stdin>", line 1, in <module>

UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

纯英文的 str 可以用 ASCII 编码为 bytes ，内容是一样的，含有中文的 str 可以用 UTF-8 编码为 bytes 。含有中文的 str 无法用 ASCII 编码，因为中文编码的范围超过了 ASCII 编码的范围，Python会报错。

在 bytes 中，无法显示为ASCII字符的字节，用 \x## 显示。

反过来，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'

要计算 str 包含多少个字符，可以用 len() 函数

>>> len('ABC')

3

>>> len('中文')

2

len() 函数计算的是 str 的字符数，如果换成 bytes ， len() 函数就计算字节数

>>> len(b'ABC')

3

>>> len(b'\xe4\xb8\xad\xe6\x96\x87')

6

>>> len('中文'.encode('utf-8'))

6

1个中文字符经过UTF-8编码后通常会占用3个字节，而1个英文字符只占用1个字节。

在操作字符串时，我们经常遇到 str 和 bytes 的互相转换。为了避免乱码问题，应当始终坚持使用UTF-8编码对 str 和 bytes 进行转换。

Python源代码也是一个文本文件，所以，当你的源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上这两行

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

第二行注释是为了告诉Python解释器，按照UTF-8编码读取源代码，否则，你在源代码中写的中文输出可能会有乱码。

格式化：

在Python中，采用的格式化方式和C语言是一致的，用 % 实现，举例如下：

format % (...params)

>>> 'Hello, %s' % 'world'

'Hello, world'

>>> 'Hi, %s, you have $%d.' % ('Michael', 1000000)

'Hi, Michael, you have $1000000.'

% 运算符就是用来格式化字符串的。在字符串内部， %s 表示用字符串替换， %d 表示用整数替换， %x 表示16进制整数，有几个 %? 占位符，后面就跟几个变量或者值，顺序要对应好。如果只有一个 %? ，括号可以省略。

格式化整数和浮点数还可以指定是否补0和整数与小数的位数：

>>> '%2d-%02d' % (3, 1)

' 3-01'

>>> '%.2f' % 3.1415926

'3.14'

有些时候，字符串里面的 % 是一个普通字符怎么办？这个时候就需要转义，用 %% 来表示一个 % ：

>>> 'growth rate: %d %%' % 7

'growth rate: 7 %'