utf-8和unicode的區別:字元編碼的辨析
總的來說就是一句話:utf-8是變長的,作為檔案儲存時用,unicode是定長的,將檔案讀取到記憶體時用
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
,4個位元組可以表示的最大整數是4294967295
。
由於計算機是美國人發明的,因此,最早只有127個字母被編碼到計算機裡,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
A
的編碼是65
,小寫字母z
的編碼是122
。
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。
現在,捋一捋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:
字元 | ASCII | Unicode | UTF-8 |
---|---|---|---|
A | 01000001 | 00000000 01000001 | 01000001 |
中 | x | 01001110 00101101 | 11100100 10111000 10101101 |
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。
Python的字串
搞清楚了令人頭疼的字元編碼問題後,我們再來研究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:
>>> print('包含中文的str')
包含中文的str
對於單個字元的編碼,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:
>>> ord('A')
65
>>> ord('中')
20013
>>> chr(66)
'B'
>>> chr(25991)
'文'
如果知道字元的整數編碼,還可以用十六進位制這麼寫str
:
>>> '\u4e2d\u6587'
'中文'
兩種寫法完全是等價的。
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:
>>> 'ABC'.encode('ascii')
b'ABC'
>>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中文'.encode('ascii')
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
UnicodeEncodeError: '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:
>>> b'ABC'.decode('ascii')
'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'
要計算str
包含多少個字元,可以用len()
函式:
>>> len('ABC')
3
>>> len('中文')
2
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:
>>> len(b'ABC')
3
>>> len(b'\xe4\xb8\xad\xe6\x96\x87')
6
>>> 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這兩行:
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
第一行註釋是為了告訴Linux/OS X系統,這是一個Python可執行程式,Windows系統會忽略這個註釋;
第二行註釋是為了告訴Python直譯器,按照UTF-8編碼讀取原始碼,否則,你在原始碼中寫的中文輸出可能會有亂碼。
申明瞭UTF-8編碼並不意味著你的.py
檔案就是UTF-8編碼的,必須並且要確保文字編輯器正在使用UTF-8 without
BOM編碼:
如果.py
檔案本身使用UTF-8編碼,並且也申明瞭#
-*- coding: utf-8 -*-
,開啟命令提示符測試就可以正常顯示中文:
轉自廖雪峰的python教程
相關推薦
utf-8和unicode的區別:字元編碼的辨析
總的來說就是一句話:utf-8是變長的,作為檔案儲存時用,unicode是定長的,將檔案讀取到記憶體時用 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
utf-8和Unicode的區別
shu 中國人 gbk sci 都對 編碼方式 過去的 view 關系 鏈接 utf-8和Unicode到底有什麽區別?是存儲方式不同?編碼方式不同?它們看起來似乎很相似,但是實際上他們並不是同一個層次的概念 要想先講清楚他們的區別,首先應該講講Unicode的來由。
Python中GBK, UTF-8和Unicode的編碼問題
https://www.cnblogs.com/jxzheng/p/5186490.html 編碼問題,一直是使用python2時的一塊心病。幾乎所有的控制檯輸入輸出、IO操作和HTTP操作都會涉及如下的編碼問題: UnicodeDecodeError: ‘ascii’ codec can’
多位元組、UTF-8和Unicode之間的轉換
// 多位元組編碼轉為UTF8編碼 bool MBToUTF8(vector<char>& pu8, const char* pmb, int32 mLen) { // convert an MBCS string to widechar int32 nLe
UTF-8 與 unicode 區別
字元編碼是計算機技術的基石,想要熟練使用計算機,懂得一點字元編碼的知識,還是很有必要的。 1. ASCII碼 我們知道,在計算機內部,所有的資訊最終都表示為一個二進位制的字串。每一個二進位制位(bit)有0和1兩種狀態,因此八個二進位制位就可以組合出256
windows下utf-8和unicode的相互轉換
#include "windows.h" char* QXUtf82Unicode(const char* utf, size_t *unicode_number) { if(!utf || !strlen(utf)) { *unicode_number =
python 字符串編碼 str和unicode 區別以及相互轉化 decode('utf-8') encode('utf-8')
encode unicode 字符串 code com bubuko src 區別 分享圖片 python 字符串編碼 str和unicode 區別以及相互轉化 decode('utf-8') encode('utf-8'
字元編碼(ASCII,Unicode和UTF-8) 和 大小端
本文包括2部分內容:“ASCII,Unicode和UTF-8” 和 “Big Endian和Little Endian”。 第1部分 ASCII,Unicode和UTF-8 介紹 1. ASCII碼 我們知道,在計算機內部,所有的資訊最終都表示為一個二進位制的字串。每一個二進位制位(bit)有0和1
UTF-8和GBK編碼之間的區別(頁面編碼、數據庫編碼區別)以及在實際項目中的應用
同方 截斷 擴展 字節 文章 ech shu 基礎上 頁面 第一節:UTF-8和GBK編碼概述 UTF-8 (8-bit Unicode Transformation Format) 是一種針對Unicode的可變長度字符編碼,又稱萬國碼,它包含全世界所有國家需要用到的字符
Unicode 和 UTF-8 有何區別
inter tran .html 很好 會有 所有 如果 聯網 nbsp 很久很久以前,有一群人,他們決定用8個可以開合的晶體管來組合成不同的狀態,以表示世界上的萬物。他們看到8個開關狀態是好的,於是他們把這稱為”字節“。再後來,他們又做了一些可以處
編碼歷史ASCII、Unicode、utf-8和GBK
英文字母 英文 全世界 兩個 編碼 中國 歷史 1的個數 包含 ASCII編碼:用來表示所有的大寫和小寫字母,數字0 到9、標點符號, 以及在美式英語中使用的特殊控制字符,一個字符共8位,占一個字節。 ASCII編碼是由美國國家標準協會制定的標準的單字節字符編碼方案,用來存
UTF-8和GBK編碼的區別
需要 div 字符 英文 世界 body utf8 nbsp 使用 UTF-8:對英文使用8位(一個字節)、中文使用24位(三個字節)編碼。對於英文字符比較多的網站一般用utf-8來編碼以節省空間;包含全世界所有國家需要用到的字符,其編碼的蚊子可以在各國各種支持utf8字符
GBK,UTF-8,和ISO8859-1編碼區別與get,post請求中文亂碼處理
1.編碼基礎知識 最早的編碼是iso8859-1,和ascii編碼相似。但為了方便表示各種各樣的語言,逐漸出現了很多標準編碼,重要的有如下幾個。 1.1. iso8859-1
趣談unicode,ansi,utf-8,unicode big endian這些編碼有什麼區別
從頭講講編碼的故事。那麼就讓我們找個草堆坐下,先抽口煙,看看夜晚天空上的銀河,然後想一想要從哪裡開始講起。嗯,也許這樣開始比較好…… 很久很久以前,有一群人,他們決定用8個可以開合的電晶體來組合成不同的狀態,以表示世界上的萬物。他們看到8個開關狀態是好的,於是他們把這稱為"位
utf-8、unicode、gbk、gb2312、ANSI編碼的區別
utf-8、unicode、gbk、gb2312編碼的區別 utf-8 先來看看百度的解釋: 一種針對Unicode的可變長度字元編碼,又稱萬國碼。現在已經標準化為RFC 3629。UTF-8用1到6個位元組編碼Unicode字元。用在網頁上可
Mac電腦使用:解決Mac上“文字編碼Unicode(UTF-8)不適用”、文字編碼“中文 (GB 18030)不適用“的問題
在Mac電腦上面開啟txt檔案,有些時候由於格式不一樣或者其他原因,會打不開txt檔案,這樣就需要我們對文字編輯的偏好設定裡面進行修改即可。這裡我只說兩種打不開的情況,這兩種情況就是標題說的這兩種情況。 一、先介紹第一種情況:未能開啟文稿“docs(1).txt”。文字編碼“Unicode(
UTF-8和GBK的區別
字元均使用雙位元組來表示,只不過為區分中文,將其最高位都定成1。 至於UTF-8編碼則是用以解決國際上字元的一種多位元組編碼,它對英文使用8位(即一個位元組),中文使用24位(三個位元組)來編碼。對於英文字元較多的論壇則用UTF-8節省空間。&n
JAVA 漢字在UTF-8和GBK編碼中佔用位數
做JAVA開發好久了,發現好多基礎的東西竟然還是不知道,平時也沒有寫筆記的習慣,就用CSDN來做簡單的筆記記錄吧,以供以後來查詢筆記。 JAVA的字元編碼中有兩種常用的字符集:GBK和U
ANT 編譯警告: 編碼 UTF-8 的不可對映字元解決方法
今天開始學ant自動構建工具。在編譯原始檔的時候碰到一個警告: 9: 警告:編碼 UTF8 的不可對映字元 [javac] System.out.println("ʹ��jar�ļ����"); [javac]
MFC UTF-8與Unicode編碼轉換
環境 適用範圍:MFC。 字符集:多位元組字符集。 宣告 CString UTF8AndUnicode_Convert(CString &strSource, UINT nSourceCodePage, UINT nTargetC