字符编码详解：ASCII、Unicode与UTF-8的区别与联系-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_40494873/article/details/120685377

一、字符编码中ASCII、Unicode和UTF-8的区别

以下内容来源于博客：https://www.cnblogs.com/moumoon/p/10988234.html

1. 编码介绍

     最早只有127个字母被编码到计算机里，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，比如大写字母A的编码是65，小写字母z的编码是122。
     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。
     你可以想得到的是，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标准也在不断发展，但最常用的是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）。现代操作系统和大多数编程语言都直接支持Unicode。
     新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。
     所以，本着节约的精神，又出现了把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。UTF-8编码有一个额外的好处，就是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。

ASCII

ASCII 只有127个字符，表示英文字母的大小写、数字和一些符号，但由于其他语言用ASCII 编码表示字节不够，例如：常用中文需要两个字节，且不能和ASCII冲突，中国定制了GB2312编码格式，相同的，其他国家的语言也有属于自己的编码格式。

Unicode

由于每个国家的语言都有属于自己的编码格式，在多语言编辑文本中会出现乱码，这样Unicode应运而生，Unicode就是将这些语言统一到一套编码格式中，通常两个字节表示一个字符，而ASCII是一个字节表示一个字符，这样如果你编译的文本是全英文的，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。

UTF-8

为了解决上述问题，又出现了把Unicode编码转化为“可变长编码”UTF-8编码，UTF-8编码将Unicode字符按数字大小编码为1-6个字节，英文字母被编码成一个字节，常用汉字被编码成三个字节，如果你编译的文本是纯英文的，那么用UTF-8就会非常节省空间，并且ASCII码也是UTF-8的一部分。

2.三者之间的联系

搞清楚了ASCII、Unicode和UTF-8的关系，我们就可以总结一下现在计算机系统通用的字符编码工作方式：
(1) 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。
（2）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。如下图：

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：

二、使用

1. 通用知识点

在python中，字符串是以Unicode编码的。最新的Python 3版本中，字符串是以Unicode编码的，也就是说，Python的字符串支持多语言
在网络上传输，或者保存到磁盘上，就需要把Unicode编码的str变为以字节为单位的bytes
python中编码转换方法：编码decode() & 解码encode()，编码与解码过程：
字符|—–编码encode —-> |byte字节流| ———-解码decode——–>|字符
UTF-8、GBK（GB2312）…

# -*- coding:utf-8 -*-

a = '\u563f\uff0c\u5582'
print(a)

ver  = "男儿何不带吴钩，收取关山五十州。请君暂上凌烟阁，若个书生万户侯？"
print(ver) # <class 'str'>


########## encode() ------》编码
ver_bytes = ver.encode() #return <class 'bytes'> 
print(ver_bytes)
''' return
b'\xe5\xbe\x97\xe6\x97\xb6\xe6\x97\xa0\xe6\x80\xa0\xef\xbc\x8c
\xe6\x97\xb6\xe4\xb8\x8d\xe5\x86\x8d\xe6\x9d\xa5\xef\xbc\x8c\xe5
\xa4\xa9\xe4\xba\x88\xe4\xb8\x8d\xe5\x8f\x96\xef\xbc\x8c\xe5\x8f
\x8d\xe4\xb8\xba\xe4\xb9\x8b\xe7\x81\xbe\xe3\x80\x82'
'''
ver_bytes_utf8 = ver.encode('utf-8') #return <class 'bytes'> by utf-8
print(ver_bytes_utf8)
#另一种写法：
ver_bytes_utf8 = ver.encode(encoding='utf-8', errors='strict') #return <class 'bytes'> by utf-8
print(ver_bytes_utf8)

ver_bytes_gbk = ver.encode('gbk') #return <class 'bytes'> by gbk
print(ver_bytes_gbk)

ver_bytes_unicode_escape = ver.encode('unicode_escape') #return <class 'bytes'> by unicode
print(ver_bytes_unicode_escape)


########## decode() ------》编码
ver_str_unicode = ver.encode('unicode_escape').decode() #return <class 'str'>, 当前str以unicode编码展现
print(ver_str_unicode)
''' return
\u5f97\u65f6\u65e0\u6020\uff0c\u65f6\u4e0d\u518d\u6765
\uff0c\u5929\u4e88\u4e0d\u53d6\uff0c\u53cd\u4e3a\u4e4b\u707e\u3002
'''
str_unicode = '\u7537\u513f\u4f55\u4e0d\u5e26\u5434\u94a9\uff0c\u6536\u53d6\u5173\u5c71\u4e94\u5341\u5dde\u3002\u8bf7\u541b\u6682\u4e0a\u51cc\u70df\u9601\uff0c\u82e5\u4e2a\u4e66\u751f\u4e07\u6237\u4faf\uff1f'
print(str_unicode)

print(ver_bytes_utf8.decode('utf-8'))

print(ver_bytes_gbk.decode('gbk'))

2. 编码常见报错

针对报错：#UnicodeDecodeError: ‘gbk’ codec can’t decode byte 0x80 in position 15: illegal multibyte sequence，两种解决方案：
参见：https://blog.youkuaiyun.com/qq_40494873/article/details/120474070

# -*- coding:utf-8 -*-
import os, locale
from ProcessorFile import config
normal_file = os.path.join(config.input_path, 'read_test.txt')

#针对编码问题报错：#UnicodeDecodeError: 'gbk' codec can't decode byte 0x80 in position 15: illegal multibyte sequence
#两种解决方案

#添加参数, encoding,指定读取编码
with open(normal_file, 'r', encoding='utf-8') as f:
    line = f.readline()
    while line:
        print(line) #include \n
        print(type(line))
        line = f.readline()

#改变读取模式，以二进制形式读取，然后输出的时候使用decode解码
with open(normal_file, 'rb') as f:
    line = f.readline()
    while line:
        print(line.decode())
        line = f.readline()