Python字符串和编码

• 字符编码
  字符串的编码问题比较特殊，计算机处理文本的时候需要把文本转换成数字。最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数是255（二进制11111111=十进制255），如果要表示更大的整数，则必须用更多的字节，如两个字节65535，4个字节4294967295。
  ASCII编码最早只有127个字符（包含大小写英文字母、数字和一些符号），如大写字母A的编码是65，小写字母z的编码是122。
  中国制定了GB2312编码，用来把中文编进去，其他国家也有自己的标准，那么在多语言混合的文本中，显示就会出现乱码问题。
  Unicode把所有语言都统一到一套编码里，解决乱码问题，其标准也在不断发展，但最常用的是UCS-16编码，用两个字节表示一个字符:
  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；
  中文中已经超出了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，即00000000 01000001。
  然而有一个新的问题：如果统一成Unicode编码，乱码问题从此消失了，但是如果写的文本基本上是全英文的话，用Unicode编码比ASCII编码要多一倍的存储空间，在存储和传输上就十分不划算。
  本着节约的精神，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：

字符	ASCII	Unicode	UTF-8
A	01000001	00000000 01000001	01000001
中	x	01001110 00101101	11100100 10111000 10101101

可以看出，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。
所以，在现在计算机系统通用的字符编码方式为：
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。
浏览网页时，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，所以很多网页的源码有类似的<meta charset="UTF-8" />信息。

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

由于Python的字符串类型是str，在内存中以Unicode表示，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。