编码问题一直以来都是一个另人烦躁的问题，只要涉及到非英文字符，就一定绕不开编码这个问题，不只是在Python和其他编程语言中会出现编码问题，平时我们从网页上复制内容，各类文本文件直接的读取、转换等，都会遇到因为字符编码不一致而出现“乱码”问题，大家在日常使用计算机和网络的时候也一定都遇到过此类问题，那么从今天这个专题开始，我们将详细给大家讲清楚关于编码的一切，帮助大家可以自由驰骋，永别乱码。本专题分上下两篇文章，今天我们先来聊一聊关于编码的一些基础知识。

一、文本编辑器与字符编码

1. 文本编辑器存取文件的原理（spyder，nodepad++，记事本，word，excel等都是文本编辑器）

在电脑中，我们打开任意一个编辑器，就是启动了一个进程，进程是在内存中的，所以在编辑器编写的内容也都是存放与内 存中的。但是我们都知道，内存中的数据断电时会丢失，因而需要保存到硬盘上，点击保存按钮，就从内存中把数据刷到了硬盘上，这样就行程了一个文本文件。

同样道理，在用文本编辑器打开一个文件时，文件内容也会再次加载到内存中，这样我们才能修改和编辑。
在这一点上，我们编写一个py文件（没有执行），跟编写其他文件没有任何区别，都只是在编写一堆字符而已。

2. python解释器执行py文件的原理

第一阶段：python解释器启动，此时就相当于启动了一个文本编辑器

第二阶段：python解释器相当于文本编辑器，去打开code.py文件，从硬盘上将code.py的文件内容读入到内存中

第三阶段：python解释器解释执行刚刚加载到内存中code.py的代码

总结：python解释器是解释执行文件内容的，因而python解释器具备读py文件的功能，这一点与文本编辑器一样。与文本编辑器不一样的地方在于，python解释器不仅可以读文件内容，还可以执行这些语句的内容。

二、什么是字符编码

计算机要想工作必须通电，也就是说‘电’驱使计算机干活,而‘电’的特性，就是高低电平(高低平即二进制数1,低电平即二进制数0),也就是说计算机只认识数字。
编程的目的是让计算机干活，我们编程最终要实现的是：一堆字符驱动计算机干活。
所以必须经过一个过程：

字符——（翻译过程）——二进制数字

这个过程实际就是一个字符如何对应一个特定数字的标准，这个标准称之为字符编码。

三、字符编码发展史与编码类型

有了上面的基础背景，我们就可以来详细的聊一聊这几种编码了。

1、ASCII 码

我们知道，计算机内部，所有信息最终都是一个二进制值。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，这被称为一个字节（byte）。也就是说，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。

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，最前面的一位统一规定为0。

2、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 256 x 256 = 65536 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。

3. Unicode

正如上一节所说，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，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25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。

4、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。2）Unicode 在很长一段时间内无法推广，直到互联网的出现。

5、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（n > 1），第一个字节的前n位都设为1，第n + 1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。

6、Unicode和UTF-8的对比

我们可以对比这两种解决方案：
unicode：简单粗暴，所有字符都是2Bytes，优点是字符->数字的转换速度快，缺点是占用空间大。
utf-8：精准，对不同的字符用不同的长度表示，优点是节省空间，缺点是：字符->数字的转换速度慢，因为每次都需要计算出字符需要多长的Bytes才能够准确表示。
这时候我们就需要根据不同的场景来选择不同的编码方案，于是：
内存中使用的编码是unicode，目的是快，所以用空间换时间（程序都需要加载到内存才能运行，因而内存应该是尽可能的保证快）。
硬盘中或者网络传输用utf-8，网络I/O延迟或磁盘I/O延迟要远大与utf-8的转换延迟，而且I/O应该是尽可能地节省带宽，这时候重要的又变成了空间，保证数据传输的稳定性。

好了，编码基础知识的部分我们就讲到这里，大家理解了这些编码概念之后，我们下一篇《编码转换实战》就来具体说说在Python处理文本文件时，需要注意哪些编码问题，以及不同编码之间该如何转换。