一、前言

本节主要介绍三大编码、encode()和decode()及编码的转化。

环境说明：调出Python测试环境，根据下图操作，出现 >>>，就可以在后面敲相关的代码。

二、编码介绍

2.1 ASCII、Unicode、UTF-8三者的关系和发展

我们日常看到的汉字，在计算机系统中，都是一串串数字，计算机只能处理数字，所以要处理文本的时候，就必须先把文本转换为数字才能处理。
一个字节（byte，1byte=8bit，即8位）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，所以最早只有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。
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。
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）。

例如：字母A，ASCII编码十进制为65，二进制为01000001；Unicode编码十进制为65，二进制为00000000 01000001。

由上示例，可以发现，虽然Unicode解决了乱码问题，但是原本的ASCII编码字符需要多加一个字节，多出一倍的存储空间，在存储和传输上造成极大的资源浪费。所以“可变长编码”的UTF-8编码应运而生。
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（同ASCII编码），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。

例如：字符中，无ASCII编码；Unicode编码十进制为20013，二进制为01001110 00101101；utf-8编码十进制为11100100 10111000 10101101

# 获取汉字的utf-8二进制编码
a = '中'
b = a.encode('utf-8')
c = ['%08d'% int(bin(b[i])[2:]) for i in range(len(b))]
' '.join(c)

基于utf-8的特性，历史只支持ASCII编码的软件等可以在UTF-8编码下继续工作。
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。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。

2.2 编码转化与查看

可以通过encode()和decode()对字符串和编码进行转换。

>>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中文'.encode('gbk')
b'\xd6\xd0\xce\xc4'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'
>>> b'\xd6\xd0\xce\xc4'.decode('gbk')
'中文'

# 查看每一个直接的十进制可以通过索引取值
>>> '中文'.encode('utf-8')[0]
228
# 转化为二进制，可以通过遍历查看每一个编码
>>> bin('中文'.encode('utf-8')[0])
'0b11100100'

# 如果要查看整一个编码对应的二进制，可以通过转为二进制之后进行拼接，如上一小节的代码，把它封装为函数，然后直接调用bin_code([字符串])即可
def bin_code(string):
    b = string.encode('utf-8')
    c = ['%08d'% int(bin(b[i])[2:]) for i in range(len(b))]
    print(' '.join(c))
bin_code('中文')

注：关于ord([str])、chr([int])、int([str],base=[对应进制])、bin([int])、hex([int])、oct([int])等的含义，可参考该篇《Python 基础合集1：基本数据类型》的类型转换。

2.3 声明编码

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 -*-

第一行注释是为了告诉Linux/OS X系统，这是一个Python可执行程序，Windows系统会忽略这个注释；
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。
申明了UTF-8编码并不意味着你的.py文件就是UTF-8编码的，必须确保编辑器正在使用的也是UTF-8编码。编辑器的编码一般在软件界面的最下面一行会有标识。

三、小结

本文讲了编码解决的一些问题及彼此的关系，ASCII编码是比较早的编码，主要是基于英文开发的，后续为了兼容更多国家的语言，万国码Unicode诞生，为了解决编码占用空间问题，对Unicode进行改进，形成可变长度的UTF-8编码，降低存储，提高传输速度。
同时介绍了编码之间的转换函数：encode()和decode()，还有声明编码的常用语法：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

下篇预告：Python的数据结构（list、tuple、dict、set）

文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/66945.html

Python 基础合集3：字符串与编码