從5個(gè)方面來解析計(jì)算機(jī)中的字符編碼概念

字符編碼是計(jì)算機(jī)編程中不可回避的問題，不管你用 Python2 還是 Python3，亦或是 C++, Java 等，我都覺得非常有必要厘清計(jì)算機(jī)中的字符編碼概念。本文主要分以下幾個(gè)部分介紹：

基本概念

常見字符編碼簡介

Python 的默認(rèn)編碼

Python2 中的字符類型

UnicodeEncodeError & UnicodeDecodeError 根源

基本概念

字符（Character）

在電腦和電信領(lǐng)域中，字符是一個(gè)信息單位，它是各種文字和符號的總稱，包括各國家文字、標(biāo)點(diǎn)符號、圖形符號、數(shù)字等。比如，一個(gè)漢字，一個(gè)英文字母，一個(gè)標(biāo)點(diǎn)符號等都是一個(gè)字符。

字符集（Character set）

字符集是字符的集合。字符集的種類較多，每個(gè)字符集包含的字符個(gè)數(shù)也不同。比如，常見的字符集有 ASCII 字符集、GB2312 字符集、Unicode 字符集等，其中，ASCII 字符集共有 128 個(gè)字符，包含可顯示字符（比如英文大小寫字符、阿拉伯?dāng)?shù)字）和控制字符（比如空格鍵、回車鍵）；GB2312 字符集是中國國家標(biāo)準(zhǔn)的簡體中文字符集，包含簡化漢字、一般符號、數(shù)字等；Unicode 字符集則包含了世界各國語言中使用到的所有字符，

字符編碼（Character encoding）

字符編碼，是指對于字符集中的字符，將其編碼為特定的二進(jìn)制數(shù)，以便計(jì)算機(jī)處理。常見的字符編碼有 ASCII 編碼，UTF-8 編碼，GBK 編碼等。一般而言，字符集和字符編碼往往被認(rèn)為是同義的概念，比如，對于字符集 ASCII，它除了有「字符的集合」這層含義外，同時(shí)也包含了「編碼」的含義，也就是說，ASCII 既表示了字符集也表示了對應(yīng)的字符編碼。

下面我們用一個(gè)表格做下總結(jié)：

常見字符編碼簡介

常見的字符編碼有 ASCII 編碼，GBK 編碼，Unicode 編碼和 UTF-8 編碼等等。這里，我們主要介紹 ASCII、Unicode 和 UTF-8。

ASCII

計(jì)算機(jī)是在美國誕生的，人家用的是英語，而在英語的世界里，不過就是英文字母，數(shù)字和一些普通符號的組合而已。

在 20 世紀(jì) 60 年代，美國制定了一套字符編碼方案，規(guī)定了英文字母，數(shù)字和一些普通符號跟二進(jìn)制的轉(zhuǎn)換關(guān)系，被稱為 ASCII (American Standard Code for Information Interchange，美國信息互換標(biāo)準(zhǔn)編碼) 碼。

比如，大寫英文字母 A 的二進(jìn)制表示是 01000001（十進(jìn)制 65），小寫英文字母 a 的二進(jìn)制表示是 01100001 （十進(jìn)制 97），空格 SPACE 的二進(jìn)制表示是 00100000（十進(jìn)制 32）。

Unicode

ASCII 碼只規(guī)定了 128 個(gè)字符的編碼，這在美國是夠用的。可是，計(jì)算機(jī)后來傳到了歐洲，亞洲，乃至世界各地，而世界各國的語言幾乎是完全不一樣的，用 ASCII 碼來表示其他語言是遠(yuǎn)遠(yuǎn)不夠的，所以，不同的國家和地區(qū)又制定了自己的編碼方案，比如中國大陸的 GB2312 編碼 和 GBK 編碼等，日本的 Shift_JIS 編碼等等。

雖然各個(gè)國家和地區(qū)可以制定自己的編碼方案，但不同國家和地區(qū)的計(jì)算機(jī)在數(shù)據(jù)傳輸?shù)倪^程中就會出現(xiàn)各種各樣的亂碼（mojibake），這無疑是個(gè)災(zāi)難。

怎么辦？想法也很簡單，就是將全世界所有的語言統(tǒng)一成一套編碼方案，這套編碼方案就叫 Unicode，它為每種語言的每個(gè)字符設(shè)定了獨(dú)一無二的二進(jìn)制編碼，這樣就可以跨語言，跨平臺進(jìn)行文本處理了，是不是很棒！

Unicode 1.0 版誕生于 1991 年 10 月，至今它仍在不斷增修，每個(gè)新版本都會加入更多新的字符，目前最新的版本為 2016 年 6 月 21 日公布的 9.0.0。

Unicode 標(biāo)準(zhǔn)使用十六進(jìn)制數(shù)字，而且在數(shù)字前面加上前綴 U+，比如，大寫字母「A」的 unicode 編碼為 U+0041，漢字「嚴(yán)」的 unicode 編碼為 U+4E25。更多的符號對應(yīng)表，可以查詢 unicode.org，或者專門的漢字對應(yīng)表。

UTF-8

Unicode 看起來已經(jīng)很完美了，實(shí)現(xiàn)了大一統(tǒng)。但是，Unicode 卻存在一個(gè)很大的問題：資源浪費(fèi)。

為什么這么說呢？原來，Unicode 為了能表示世界各國所有文字，一開始用兩個(gè)字節(jié)，后來發(fā)現(xiàn)兩個(gè)字節(jié)不夠用，又用了四個(gè)字節(jié)。比如，漢字「嚴(yán)」的 unicode 編碼是十六進(jìn)制數(shù) 4E25，轉(zhuǎn)換成二進(jìn)制有十五位，即 100111000100101，因此至少需要兩個(gè)字節(jié)才能表示這個(gè)漢字，但是對于其他的字符，就可能需要三個(gè)或四個(gè)字節(jié)，甚至更多。

這時(shí)，問題就來了，如果以前的 ASCII 字符集也用這種方式來表示，那豈不是很浪費(fèi)存儲空間。比如，大寫字母「A」的二進(jìn)制編碼為 01000001，它只需要一個(gè)字節(jié)就夠了，如果 unicode 統(tǒng)一使用三個(gè)字節(jié)或四個(gè)字節(jié)來表示字符，那「A」的二進(jìn)制編碼的前面幾個(gè)字節(jié)就都是 0，這是很浪費(fèi)存儲空間的。

為了解決這個(gè)問題，在 Unicode 的基礎(chǔ)上，人們實(shí)現(xiàn)了 UTF-16, UTF-32 和 UTF-8。下面只說一下 UTF-8。

UTF-8 (8-bit Unicode Transformation Format) 是一種針對 Unicode 的可變長度字符編碼，它使用一到四個(gè)字節(jié)來表示字符，例如，ASCII 字符繼續(xù)使用一個(gè)字節(jié)編碼，阿拉伯文、希臘文等使用兩個(gè)字節(jié)編碼，常用漢字使用三個(gè)字節(jié)編碼，等等。

因此，我們說，UTF-8 是 Unicode 的實(shí)現(xiàn)方式之一，其他實(shí)現(xiàn)方式還包括 UTF-16（字符用兩個(gè)或四個(gè)字節(jié)表示）和 UTF-32（字符用四個(gè)字節(jié)表示）。

Python 的默認(rèn)編碼

Python2 的默認(rèn)編碼是 ascii，Python3 的默認(rèn)編碼是 utf-8，可以通過下面的方式獲?。?/p>

Python2

Python2.7.11(default,Feb242016,10:48:05)

[GCC4.2.1Compatible AppleLLVM7.0.2(clang-700.1.81)]on darwin

Type"help","copyright","credits"or"license"formoreinformation.

>>>importsys

>>>sys.getdefaultencoding()

'ascii'

Python3

Python3.5.2(default,Jun292016,13:43:58)

[GCC4.2.1Compatible AppleLLVM7.3.0(clang-703.0.31)]on darwin

Type"help","copyright","credits"or"license"formoreinformation.

>>>importsys

>>>sys.getdefaultencoding()

'utf-8'

Python2 中的字符類型

Python2 中有兩種和字符串相關(guān)的類型：str 和 unicode，它們的父類是 basestring。其中，str 類型的字符串有多種編碼方式，默認(rèn)是 ascii，還有 gbk，utf-8 等，unicode 類型的字符串使用 u'...' 的形式來表示，下面的圖展示了 str 和 unicode 之間的關(guān)系：

兩種字符串的相互轉(zhuǎn)換概括如下：

把 UTF-8 編碼表示的字符串 ‘xxx’ 轉(zhuǎn)換為 Unicode 字符串 u’xxx’ 用 decode('utf-8') 方法：

>>>'中文'.decode('utf-8')

u'中文'

把 u’xxx’ 轉(zhuǎn)換為 UTF-8 編碼的 ‘xxx’ 用 encode('utf-8') 方法：

>>>u'中文'.encode('utf-8')

'??-???'

UnicodeEncodeError & UnicodeDecodeError 根源

用 Python2 編寫程序的時(shí)候經(jīng)常會遇到 UnicodeEncodeError 和 UnicodeDecodeError，它們出現(xiàn)的根源就是如果代碼里面混合使用了 str 類型和 unicode 類型的字符串，Python 會默認(rèn)使用 ascii 編碼嘗試對 unicode 類型的字符串編碼 (encode)，或?qū)?str 類型的字符串解碼 (decode)，這時(shí)就很可能出現(xiàn)上述錯(cuò)誤。

下面有兩個(gè)常見的場景，我們最好牢牢記?。?/p>

在進(jìn)行同時(shí)包含 str 類型和 unicode 類型的字符串操作時(shí)，Python2 一律都把 str 解碼（decode）成 unicode 再運(yùn)算，這時(shí)就很容易出現(xiàn) UnicodeDecodeError。

讓我們看看例子：

>>>s='你好'# str 類型, utf-8 編碼

>>>u=u'世界'# unicode 類型

>>>s+u# 會進(jìn)行隱式轉(zhuǎn)換，即 s.decode('ascii') + u

Traceback(most recent calllast):

File"",line1,in

UnicodeDecodeError:'ascii'codeccan'tdecodebyte0xe4inposition0:ordinalnotinrange(128)

為了避免出錯(cuò)，我們就需要顯示指定使用 ‘utf-8’ 進(jìn)行解碼，如下：

>>>s='你好'# str 類型，utf-8 編碼

>>>u=u'世界'

>>>

>>>s.decode('utf-8')+u# 顯示指定 'utf-8' 進(jìn)行轉(zhuǎn)換

u'你好世界'# 注意這不是錯(cuò)誤，這是 unicode 字符串

如果函數(shù)或類等對象接收的是 str 類型的字符串，但你傳的是 unicode，Python2 會默認(rèn)使用 ascii 將其編碼成 str 類型再運(yùn)算，這時(shí)就很容易出現(xiàn) UnicodeEncodeError。

讓我們看看例子：

>>>u_str=u'你好'

>>>str(u_str)

Traceback(most recent calllast):

File"",line1,in

UnicodeEncodeError:'ascii'codeccan'tencode charactersinposition0-1:ordinalnotinrange(128)

在上面的代碼中，u_str 是一個(gè) unicode 類型的字符串，由于 str() 的參數(shù)只能是 str 類型，此時(shí) Python 會試圖使用 ascii 將其編碼成 ascii，也就是：

u_str.encode('ascii') // u_str 是 unicode 字符串

上面將 unicode 類型的中文使用 ascii 編碼轉(zhuǎn)，肯定會出錯(cuò)。

再看一個(gè)使用 raw_input 的例子，注意 raw_input 只接收 str 類型的字符串：

>>>name=raw_input('input your name: ')

inputyourname:ethan

>>>name

'ethan'

>>>name=raw_input('輸入你的姓名：')

輸入你的姓名：小明

>>>name

'?°????'

>>>type(name)

>>>name=raw_input(u'輸入你的姓名: ')# 會試圖使用 u'輸入你的姓名'.encode('ascii')

Traceback(most recent calllast):

File"",line1,in

UnicodeEncodeError:'ascii'codeccan't encode characters in position 0-5: ordinal not in range(128)

>>> name = raw_input(u'輸入你的姓名:'.encode('utf-8')) #可以，但此時(shí) name 不是 unicode 類型

輸入你的姓名: 小明

>>> name

'xe5xb0x8fxe6x98x8e'

>>> type(name)

>>> name = raw_input(u'輸入你的姓名:'.encode('utf-8')).decode('utf-8') # 推薦

輸入你的姓名:小明

>>> name

u'u5c0fu660e'

>>> type(name)

再看一個(gè)重定向的例子：

hello=u'你好'

printhello

將上面的代碼保存到文件 hello.py，在終端執(zhí)行 python hello.py 可以正常打印，但是如果將其重定向到文件 python hello.py > result 會發(fā)現(xiàn) UnicodeEncodeError。

這是因?yàn)椋狠敵龅娇刂婆_時(shí)，print 使用的是控制臺的默認(rèn)編碼，而重定向到文件時(shí)，print 就不知道使用什么編碼了，于是就使用了默認(rèn)編碼 ascii 導(dǎo)致出現(xiàn)編碼錯(cuò)誤。

應(yīng)該改成如下:

hello=u'你好'

printhello.encode('utf-8')

這樣執(zhí)行 python hello.py > result 就沒有問題。

小結(jié)

UTF-8 是一種針對 Unicode 的可變長度字符編碼，它是 Unicode 的實(shí)現(xiàn)方式之一。

Unicode 字符集有多種編碼標(biāo)準(zhǔn)，比如 UTF-8, UTF-7, UTF-16。

在進(jìn)行同時(shí)包含 str 類型和 unicode 類型的字符串操作時(shí)，Python2 一律都把 str 解碼（decode）成 unicode 再運(yùn)算。

如果函數(shù)或類等對象接收的是 str 類型的字符串，但你傳的是 unicode，Python2 會默認(rèn)使用 ascii 將其編碼成 str 類型再運(yùn)算。