Python有關(guān)Unicode UTF-8 GBK編碼問(wèn)題詳解
1.統(tǒng)一碼(Unicode)
Unicode也叫萬(wàn)國(guó)碼、單一碼,是計(jì)算機(jī)科學(xué)領(lǐng)域里的一項(xiàng)業(yè)界標(biāo)準(zhǔn),包括字符集、編碼方案等。對(duì)于世界上所有的語(yǔ)言文字再unicode中都可以查看到?!緷h】字的編碼解釋官網(wǎng)https://www.unicode.org/cgi-bin/GetUnihanData.pl?codepoint=6C49
unicode編碼就是為了統(tǒng)一世界上的編碼,有一個(gè)統(tǒng)一的規(guī)范。但是它還存在一些問(wèn)題。
Unicode的問(wèn)題
需要注意的是,Unicode只是一個(gè)符號(hào)集,它只規(guī)定了符號(hào)的二進(jìn)制代碼,卻沒有規(guī)定這個(gè)二進(jìn)制代碼應(yīng)該如何存儲(chǔ)。
比如,漢字“嚴(yán)”的unicode是十六進(jìn)制數(shù)4E25,轉(zhuǎn)換成二進(jìn)制數(shù)足足有15位(100111000100101),也就是說(shuō)這個(gè)符號(hào)的表示至少需要2個(gè)字節(jié)。表示其他更大的符號(hào),可能需要3個(gè)字節(jié)或者4個(gè)字節(jié),甚至更多。
這里就有兩個(gè)嚴(yán)重的問(wèn)題
- 第一個(gè):如何才能區(qū)別unicode和ascii?計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào),而不是分別表示三個(gè)符號(hào)呢?
- 第二個(gè):我們已經(jīng)知道,英文字母只用一個(gè)字節(jié)表示就夠了,如果unicode統(tǒng)一規(guī)定,每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示,那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是0,這對(duì)于存儲(chǔ)來(lái)說(shuō)是極大的浪費(fèi),文本文件的大小會(huì)因此大出二三倍,這是無(wú)法接受的。
它們?cè)斐傻慕Y(jié)果是:
- 出現(xiàn)了unicode的多種存儲(chǔ)方式,也就是說(shuō)有許多種不同的二進(jìn)制格式,可以用來(lái)表示unicode。
- unicode在很長(zhǎng)一段時(shí)間內(nèi)無(wú)法推廣,直到互聯(lián)網(wǎng)的出現(xiàn)。
2.UTF-8編碼
互聯(lián)網(wǎng)的普及,強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種unicode的實(shí)現(xiàn)方式。其他實(shí)現(xiàn)方式還包括UTF-16和UTF-32,不過(guò)在互聯(lián)網(wǎng)上基本不用。重復(fù)一遍,這里的關(guān)系是,UTF-8是Unicode的實(shí)現(xiàn)方式之一。
UTF-8最大的一個(gè)特點(diǎn),就是它是一種變長(zhǎng)的編碼方式。它可以使用1~4個(gè)字節(jié)表示一個(gè)符號(hào),根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度。
UTF-8的編碼規(guī)則很簡(jiǎn)單,只有二條:
- 對(duì)于單字節(jié)的符號(hào),字節(jié)的第一位設(shè)為0,后面7位為這個(gè)符號(hào)的unicode碼。因此對(duì)于英語(yǔ)字母,UTF-8編碼和ASCII碼是相同的。
- 對(duì)于n字節(jié)的符號(hào)(n>1),第一個(gè)字節(jié)的前n位都設(shè)為1,第n+1位設(shè)為0,后面字節(jié)的前兩位一律設(shè)為10。剩下的沒有提及的二進(jìn)制位,全部為這個(gè)符號(hào)的unicode碼。
下表總結(jié)了編碼規(guī)則,字母x表示可用編碼的位。
Unicode符號(hào)范圍 | UTF-8編碼方式
(十六進(jìn)制) | (二進(jìn)制)
--------------------±--------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
Python代碼舉例:
a = '\u6c49' # 漢的unicode編碼 print(a) a = '漢' print("漢字utf8格式:",a.encode('utf8')) print('漢字unicode格式:',a.encode('unicode_escape')) print('漢字gbk格式:',a.encode('gbk')) print('漢字gb2312格式:',a.encode('gb2312')) # 輸出結(jié)果 漢 漢字utf8格式: b'\xe6\xb1\x89' 漢字unicode格式: b'\\u6c49' 漢字gbk格式: b'\xba\xba' 漢字gb2312格式: b'\xba\xba'
可以看到以上結(jié)果,漢字的漢通過(guò)print打印時(shí)用的是unicode編碼,存儲(chǔ)時(shí)使用utf8,也即是我們保存文件時(shí)常用的編碼
with open('xxx.txt','w',encoding='utf-8') as f: f.write(xxx)
打開的時(shí)候也要指定文件編碼
with open(file_path, encoding='utf-8') as f: f.read()
當(dāng)使用gbk編碼保存的文件使用utf8打開時(shí)會(huì)報(bào)錯(cuò),使用gbk打開即可
with open(r'gbk.txt','r',encoding='utf8') as f: print(f.read()) (result, consumed) = self._buffer_decode(data, self.errors, final) UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd5 in position 0: invalid continuation byte
總結(jié)
- UNICODE是一個(gè)符號(hào)集合,對(duì)全世界的語(yǔ)言都對(duì)應(yīng)一個(gè)符號(hào)編碼
- UTF-8是UNICODE在計(jì)算機(jī)中存儲(chǔ)時(shí)的具體體現(xiàn),是存儲(chǔ)方案
- UTF-16同理
- UTF-32同理
- GB 2312 或 GB 2312-80 是一個(gè)簡(jiǎn)體中文字符集的中國(guó)國(guó)家標(biāo)準(zhǔn),全稱為《信息交換用漢字編碼字符集·基本集》,又稱為GB0,由中國(guó)國(guó)家標(biāo)準(zhǔn)總局發(fā)布,1981年5月1日實(shí)施。
- GBK: 漢字國(guó)標(biāo)擴(kuò)展碼,基本上采用了原來(lái)GB2312-80所有的漢字及碼位,并涵蓋了原Unicode中所有的漢字20902,總共收錄了883個(gè)符號(hào), 21003個(gè)漢字及提供了1894個(gè)造字碼位。
到此這篇關(guān)于Python有關(guān)Unicode UTF-8 GBK編碼問(wèn)題詳解 的文章就介紹到這了,更多相關(guān)Python Unicode UTF-8 GBK編碼內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
Python時(shí)間處理模塊Time和DateTime
這篇文章主要為大家介紹了Python時(shí)間處理模塊Time和DateTime使用示例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-06-06在Python中操作字典之setdefault()方法的使用
這篇文章主要介紹了在Python中操作字典之setdefault()方法的使用,是Python入門學(xué)習(xí)中的基礎(chǔ)知識(shí),需要的朋友可以參考下2015-05-05Python中if __name__ == "__main__"詳細(xì)解釋
這篇文章主要介紹了Python中if __name__ == "__main__"詳細(xì)解釋,需要的朋友可以參考下2014-10-10一小時(shí)學(xué)會(huì)TensorFlow2之基本操作1實(shí)例代碼
這篇文章主要介紹了TensorFlow2的基本操作第一節(jié),本文給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2021-09-09快速解決docker-py api版本不兼容的問(wèn)題
今天小編就為大家分享一篇快速解決docker-py api版本不兼容的問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-08-08python 利用jinja2模板生成html代碼實(shí)例
這篇文章主要介紹了python 利用jinja2模板生成html代碼實(shí)例,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-10-10