使用Python过程中的编码和解码

编码和解码的问题纠结了我很久了，对他一直只有是是而非的理解，好像是那么回事，但是又不懂，今天终于来认真解决一下这个问题，总结一下大神们的回答，做一下笔记。

首先，我们知道，计算机中的所有数据都以二进制存在，二进制的一位有两种不同的状态0和1。一个字节(Byte)由8位二进制数组成，可以用来表示256种不同的状态。将二进制序列与字符一一对应的过程就叫做编码规则。

一、ASCII 码

世界上最著名的编码规则是上世纪60年代美国制定的ASCII 码，它将英语字符与二进制位之间的关系做了统一规定。ASCII 码规定一个字节的最高位总是0，用剩余的7位来表示英语中需要的128个字符（包括不能打出来的32个控制位），比如空格SPACE是32（二进制00100000）。

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。

世界上存在着这么多种类的编码方式，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。

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，就能够解决文件乱码的问题，Unicode应运而生。

三、Unicode和UTF-8

准确的说，Unicode不是一种编码，而是一个字符集。在Unicode字符集的基础上产生的UTF-8、UTF-16和UTF-32才是真正的编码规则。

Unicode字符集

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，U+0041表示英语的大写字母A，U+4E25表示汉字严。

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：

出现了对应Unicode 字符集的多种编码方式，比如UTF-8、UTF-16和UTF-32。
Unicode 在很长一段时间内无法推广，直到互联网的出现。

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。

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。
下表总结了编码规则，字母x表示可用编码的位。

Unicode码位（16进制）对应的UTF-8编码方式

跟据上表，解读 UTF-8 编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。

可以看到，UTF-8是兼容了ASCII码的一种编码方式。

四、Python中的编解码

编码(encode())：将字符转化为计算机能够理解，能够存储在内存或文件中的二进制数据。

如在Python中输入以下代码:

str = "简书"
print(str)
print(type(str))
print(str.encode())
print(type(str.encode()))

输出：

简书
<class 'str'>
b'\xe7\xae\x80\xe4\xb9\xa6'
<class 'bytes'>

此过程就是将str类型的数据转换为了二进制，为了方便显示，通过16进制输出了编码后的结果。可以看到每个汉字用了六个16进制数字来表示，对应着三位Byte，三位比特就能表示最多16,777,216个字符了，能够表示完所有汉字。

python3.6在不指定的情况下，执行编码方式默认使用utf-8编码，因此在print()打印汉字时，不需要再指定encoding = 'utf-8'，但在之前的版本需要指定。

注意：python中经常需要在方法（或函数）中传输参数（encoding='utf-8'）这不一定是在对数据进行编码，这一点要理解，不然会感觉很矛盾。这个参数是在告诉方法传入数据的编码方式为UTF-8（或其他方式），方法才能对数据进行正确的解码。

另一个使用encoding较多的方法是open，如下所示：

with open('text.txt','w') as file:
    file.write('简书')

由于txt文件对中文的默认编码方式是GBK，Python使用默认编码方式'UTF-8'打开后就是��这样的乱码，同时报错：

File was loaded in the wrong encoding: 'UTF-8'

这时候通过指定编码方式就能解决，通过'utf-8'方式打开并写入文件：

with open('text.txt','w',encoding='utf-8') as file:
    file.write('简书')

解码(decode())：将二进制数据转化为能够阅读的字符的过程。

这个比较简单，如上节通常是指定encoding='utf-8'