1：字元編碼

　　我們已經講過了，字串也是一種資料型別，但是，字串比較特殊的是還有一個編碼問題。

　　因為計算機只能處理數字，如果要處理文字，就必須先把文字轉換為數字才能處理。最早的計算機在設計時採用8個位元（bit）作為一個位元組（byte），所以，一個位元組能表示的最大的整數就是255（二進位制11111111=十進位制255），如果要表示更大的整數，就必須用更多的位元組。比如兩個位元組可以表示的最大整數是65535(2**16-1)，4個位元組可以表示的最大整數是4294967295(2**32-1)。

　　由於計算機是美國人發明的，因此，最早只有127個字元被編碼到計算機裡，也就是大小寫英文字母、數字和一些符號，這個編碼表被稱為ASCII

　　但是要處理中文顯然一個位元組是不夠的，至少需要兩個位元組，而且還不能和ASCII編碼衝突，所以，中國製定了GB2312編碼，用來把中文編進去。

　　你可以想得到的是，全世界有上百種語言，日本把日文編到Shift_JIS裡，韓國把韓文編到Euc-kr裡，各國有各國的標準，就會不可避免地出現衝突，結果就是，在多語言混合的文字中，顯示出來會有亂碼。

　　因此，Unicode應運而生。Unicode把所有語言都統一到一套編碼裡，這樣就不會再有亂碼問題了。

　　Unicode標準也在不斷髮展，但最常用的是用兩個位元組表示一個字元（如果要用到非常偏僻的字元，就需要4個位元組）。現代作業系統和大多數程式語言都直接支援Unicode。

　　ASCII編碼和Unicode編碼的區別：ASCII編碼是1個位元組，而Unicode編碼通常是2個位元組。

　　字母A用ASCII編碼是十進位制的65，二進位制的01000001；

　　字元0用ASCII編碼是十進位制的48，二進位制的00110000，注意字元'0'和整數0是不同的；

　　漢字中已經超出了ASCII編碼的範圍，用Unicode編碼是十進位制的20013，二進位制的01001110 00101101。

　　你可以猜測，如果把ASCII編碼的A用Unicode編碼，只需要在前面補0就可以，因此，A的Unicode編碼是00000000 01000001。

　　新的問題又出現了：如果統一成Unicode編碼，亂碼問題從此消失了。但是，如果你寫的文字基本上全部是英文的話，用Unicode編碼比ASCII編碼需要多一倍的儲存空間，在儲存和傳輸上就十分不划算。

　　所以，本著節約的精神，又出現了把Unicode編碼轉化為“可變長編碼”的UTF-8編碼。UTF-8編碼把一個Unicode字元根據不同的數字大小編碼成1-6個位元組，常用的英文字母被編碼成1個位元組，漢字通常是3個位元組，只有很生僻的字元才會被編碼成4-6個位元組。如果你要傳輸的文字包含大量英文字元，用UTF-8編碼就能節省空間：

　　從上面的表格還可以發現，UTF-8編碼有一個額外的好處，就是ASCII編碼實際上可以被看成是UTF-8編碼的一部分，所以，大量只支援ASCII編碼的歷史遺留軟體可以在UTF-8編碼下繼續工作。

　　搞清楚了ASCII、Unicode和UTF-8的關係，我們就可以總結一下現在計算機系統通用的字元編碼工作方式：

　　在計算機記憶體中，統一使用Unicode編碼，當需要儲存到硬碟或者需要傳輸的時候，就轉換為UTF-8編碼。

　　用記事本編輯的時候，從檔案讀取的UTF-8字元被轉換為Unicode字元到記憶體裡，編輯完成後，儲存的時候再把Unicode轉換為UTF-8儲存到檔案：

　　瀏覽網頁的時候，伺服器會把動態生成的Unicode內容轉換為UTF-8再傳輸到瀏覽器：

　　所以你看到很多網頁的原始碼上會有類似<meta charset="UTF-8" />的資訊，表示該網頁正是用的UTF-8編碼。

2：Python的字串

　　在最新的Python 3版本中，字串是以Unicode編碼的，也就是說，Python的字串支援多語言，例如：

s = '123abc包含中文的str'
print(s) # 123abc包含中文的str

　　對於單個字元的編碼(Unicode編碼)，Python提供了ord()函式獲取字元的整數表示，chr()函式把編碼轉換為對應的字元：

print(ord('A'))   # 輸出 65
print(ord('中'))  # 輸出 20013

print(chr(65))  # 輸出 A
print(chr(20013)) # 輸出 中
print(chr(20014)) # 輸出 丮
print(chr(20015)) # 輸出 丯

　　如果知道字元的整數編碼(Unicode編碼)，還可以用十六進位制這麼寫str：

s =  '\u4e2d\u6587'  #  Unicode編碼
print(s,type(s))  # 輸出 中文  <class 'str'>

　　由於Python的字串型別是str，在記憶體中以Unicode表示，一個字元對應若干個位元組。如果要在網路上傳輸，或者儲存到磁碟上，就需要把str變為以位元組為單位的bytes。

　　Python對bytes型別的資料用帶b字首的單引號或雙引號表示：

　　x = b'ABC'

　　要注意區分'ABC'和b'ABC'，前者是str，後者雖然內容顯示得和前者一樣，但bytes的每個字元都只佔用一個位元組。

　　以Unicode表示的str通過encode()方法可以編碼為指定的bytes，例如：

print('ABC'.encode('ascii')) # b'ABC'
print('中文'.encode('utf-8')) # b'\xe4\xb8\xad\xe6\x96\x87123abc'
print('中文'.encode('ascii')) # 報錯 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

　　純英文的str可以用ASCII編碼為bytes，內容是一樣的，含有中文的str可以用UTF-8編碼為bytes。含有中文的str無法用ASCII編碼，因為中文編碼的範圍超過了ASCII編碼的範圍，Python會報錯。

　　在bytes中，無法顯示為ASCII字元的位元組，用\x##顯示。

反過來，如果我們從網路或磁碟上讀取了位元組流，那麼讀到的資料就是bytes。要把bytes變為str，就需要用decode()方法：

print(b'abc'.decode('ascii'))  # abc
print(b'abc'.decode('utf-8'))  # abc
print(b'\xe4\xb8\xad\xe6\x96\x87123abc'.decode('utf-8')) # 中文123abc

　　如果bytes中包含無法解碼的位元組，decode()方法會報錯：

print(b'\xe4\xb8\xad\xff'.decode('utf-8'))  
# UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte

　　如果bytes中只有一小部分無效的位元組，可以傳入errors='ignore'忽略錯誤的位元組

print(b'\xe4\xb8\xad\xff'.decode('utf-8',errors='ignore')) # 中

　　要計算str包含多少個字元，可以用len()函式,len()函式計算的是str的字元數，如果換成bytes，len()函式就計算位元組數:

# 計算包含多少個字元
print(len('ABC')) # 3
print(len('中文')) # 2

# 計算包含多少個位元組
print(len(b'ABC')) #3
print(len(b'\xe4\xb8\xad\xe6\x96\x87'))  # 6
print(len('中文'.encode('utf-8')))        # 6

　　可見，1箇中文字元經過UTF-8編碼後通常會佔用3個位元組，而1個英文字元只佔用1個位元組。

　　在操作字串時，我們經常遇到str和bytes的互相轉換。為了避免亂碼問題，應當始終堅持使用UTF-8編碼對str和bytes進行轉換。

　　由於Python原始碼也是一個文字檔案，所以，當你的原始碼中包含中文的時候，在儲存原始碼時，就需要務必指定儲存為UTF-8編碼。當Python直譯器讀取原始碼時，為了讓它按UTF-8編碼讀取，我們通常在檔案開頭寫上如下程式碼行：

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

 -*- coding: utf-8 -*-   表示在儲存原始碼時按照utf-8編碼（unicode.encode('utf-8')）儲存到硬碟上去，在讀起原始碼時按照utf-8來讀（str.decode('utf-8') ）

3：Python中編碼的轉換

Python3中字串在記憶體中是以unicode編碼存在的，

從網上下載，或者讀檔案，都是位元組流，需要decode進行轉換：
utf-8 -> unicode    　　str.decode('utf-8')
gbk -> unicode     　　str.decode('gbk')

儲存檔案（把內容寫到檔案中）或者向網上傳送資料，需要轉換為位元組流,即encode一下：
unicode -> utf-8 　　  unicode.encode('utf-8')
unicode -> gbk 　　    unicode.encode('gbk')

utf-8 -> gbk  ：首先把   utf-8 -> unicode ，再把unicode -> gbk：str.decode('utf-8','ignore').encode('gbk')

gbk  -> utf-8 ：              gbk -> unicode，unicode -> utf-8  ： str.decode('gbk','ignore').encode('utf-8')

def gbk2unicode(s):
    return s.decode('gbk', 'ignore')

def utf82unicode(s):
    return s.decode('utf-8', 'ignore')

# 帶u的字串為unicode
def unicode2gbk(s):
    return s.encode('gbk')

# 帶u的字串為unicode
def unicode2utf8(s):
    return s.encode('utf-8')

def gbk2utf8(s):
    return s.decode('gbk', 'ignore').encode('utf-8')

def utf82gbk(s):
    return s.decode('utf-8', 'ignore').encode('gbk')