关于python编码,你真的明白了吗,, bit 二进制位, 是


计算机存储的几个概念

想要彻底搞清楚编码问题,我们必须要先搞清楚计算机是怎么存储数据的,这就涉及到了计算机基础的几个概念了,开篇我们就先来捋捋这几个容易混淆的概念。

bit

二进制位, 是计算机内部数据储存的最小单位,11010100是一个8位二进制数。一个二进制位只可以表示0和1两种状态(2^1);两个二进制位可以表示00、01、10、11四种(2^2)状态;三位二进制数可表示八种状态(2^3)……

Byte

字节,是计算机中数据处理的基本单位,计算机中以字节为单位存储和解释信息,规定一个字节由八个二进制位构成,即1个字节等于8个比特(1Byte=8bit)。八位二进制数最小为00000000,最大为11111111;通常1个字节可以存入一个ASCII码,2个字节可以存放一个汉字国标码。

在计算机中,一串数码作为一个整体来处理或运算的,称为一个计算机字,简称宇。字通常分为若干个字节(每个字节一般是8位)。在存储器中,通常每个单元存储一个字,因此每个字都是可以寻址的。字的长度用位数来表示。在计算机的运算器、控制器中,通常都是以字为单位进行传送的。

字长

字长:电脑技术中对CPU在单位时间内(同一时间)能一次处理的二进制数的位数叫字长。所以能处理字长为8位数据的CPU通常就叫8位的CPU。同理32位的CPU就能在单位时间内处理字长为32位的二进制数据。

字节和字长的区别:由于常用的英文字符用8位二进制就可以表示,所以通常就将8位称为一个字节。字长的长度是不固定的,对于不同的CPU、字长的长度也不一样。8位的CPU一次只能处理一个字节,而32位的CPU一次就能处理4个字节,同理字长为64位的CPU一次可以处理8个字节。

常见的编码

ASCII: 1个字节,只编码英文字母和符号

gb2312: 2个字节,增加了中文汉字和符号

Unicode: 把所有语言都统一到一套编码里把所有语言都统一到一套编码里,
一般是2个字节,生僻字4个字节

utf-8: 可变长编码,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:

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,这样可以节省很多存储空间。

Python编码

注:这里讨论的是python2.7的情况

两个函数

在python中,str和unicode都是basestring的子类,basestring有以下两个方法:

encode(): 将unicode字符串转换为其他编码字符串,参数为转换后编码

decode(): 将其他编码转换为unicode字符串,参数为转换前编码

PS:"string".decode('utf-8') == unicode('string', 'utf-8')

一个栗子

s = '中文'
print type(s), len(s)

u = u'中文'
print type(u), len(u)

u2s = u'中文'.encode('utf-8')
print type(u2s), len(u2s)

结果是这样的

Python
<type 'str'> 6
<type 'unicode'> 2
<type 'str'> 6

console下查看u2s

Python
>>> u'中文'.encode('utf-8')
'\xe4\xb8\xad\xe6\x96\x87'

结论:

  • python中定义的一个str变量实则是字节串,由Unicode经过编码(encode)后的字节组成的(
    也正好印证了utf8编码中一个中文字符是3个字节)
  • Unicode才是真正意义上的字符串,由字符组成

再次回顾两个函数用法

Python
s = '中文'
# 这时是str,转为unicode需要用decode
u = s.decode('utf-8')
print type(u)
# 打印 <type 'unicode'>

# unicode转为str ,使用encode
s2 = u.encode('utf-8')
print type(s2)
# 打印 <type 'str'>

新结论:不同编码转换,使用Unicode作为中间编码

#s是code_A的str
s.decode('code_A').encode('code_B')

在Python 3.x版本中,把'xxx'u'xxx'已经都统一成Unicode编码了,即写不写前缀u都是一样的,而以字节形式表示的字符串则必须加上b前缀:b'xxx'

由于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 python
# -*- coding: utf-8 -*-

参考

字节、字、位、比特,这四者之间的关系
廖雪峰:python2.7教程之字符串和编码
PYTHON-进阶-编码处理小结

评论关闭