二 字符編碼

因為計算機只能處理數字，如果要處理文本，就必須先把文本轉換為數字才能處理。最早的計算機在設計時采用8個比特（bit）作為一個字節（byte）。所以，一個字節能表示的最大的整數就是255（二進制11111111=十進制255）。

如果要表示更大的整數，就必須用更多的字節。比如兩個字節可以表示的最大整數是65535，4個字節可以表示的最大整數是4294967295 。

1.ASCII編碼

由于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里，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編碼。

比如大寫字母A的編碼是65，小寫字母z的編碼是122。

2.Unicode

由于全世界有上百種語言，日本把日文編到Shift_JIS里，韓國把韓文編到Euc-kr里，各國有各國的標準，就會不可避免地出現沖突。結果就是，在多語言混合的文本中，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里，這樣就不會再有亂碼問題了。

Unicode標準也在不斷發展，但最常用的是用兩個字節表示一個字符（如果要用到非常偏僻的字符，就需要4個字節）。現代操作系統和大多數編程語言都直接支持Unicode。

ASCII編碼和Unicode編碼的區別：ASCII編碼是1個字節，而Unicode編碼通常是2個字節。

字母A用ASCII編碼是十進制的65，二進制的01000001；

字符0用ASCII編碼是十進制的48，二進制的00110000；

漢字中已經超出了ASCII編碼的范圍，用Unicode編碼是十進制的20013，二進制的01001110 00101101。

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。

3.UTF-8編碼

統一成Unicode編碼，亂碼問題從此消失了。但是，如果寫的文本基本上全部是英文的話，用Unicode編碼比ASCII編碼需要多一倍的存儲空間，在存儲和傳輸上就十分不劃算。

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字符根據不同的數字大小編碼成1-6個字節。常用的英文字母被編碼成1個字節，漢字通常是3個字節，只有很生僻的字符才會被編碼成4-6個字節。如果要傳輸的文本包含大量英文字符，用UTF-8編碼就能節省空間。

4.三者關系

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，大量只支持ASCII編碼的歷史遺留軟件可以在UTF-8編碼下繼續工作。

5.計算機系統通用的字符編碼工作方式

在計算機內存中，統一使用Unicode編碼，當需要保存到硬盤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，從文件讀取的UTF-8字符被轉換為Unicode字符到內存里，編輯完成后，保存的時候再把Unicode轉換為UTF-8保存到文件。

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

6.字符串轉換

1）ASCII碼轉換：Python提供了ord()和chr()函數，可以把字母和對應的數字相互轉換。

2）Unicode

以Unicode表示的字符串用u'...'表示。

u'中文'和u'/u4e2d/u6587'是一樣的，/u后面是十六進制的Unicode碼。因此，u'A'和u'/u0041'也是一樣的。

3）Unicode與UTF-8相互轉換

Unicode→UTF-8

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

英文字符轉換后表示的UTF-8的值和Unicode值相等（但占用的存儲空間不同），而中文字符轉換后1個Unicode字符將變為3個UTF-8字符，你看到的/xe4就是其中一個字節，因為它的值是228，沒有對應的字母可以顯示，所以以十六進制顯示字節的數值。

len()函數可以返回字符串的長度：

UTF-8→Unicode

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

由于Python源代碼也是一個文本文件，所以，當你的源代碼中包含中文的時候，在保存源代碼時，就需要務必指定保存為UTF-8編碼。

當Python解釋器讀取源代碼時，為了讓它按UTF-8編碼讀取，我們通常在文件開頭寫上這兩行：

第一行注釋是為了告訴linux/OS X系統，這是一個Python可執行程序，Windows系統會忽略這個注釋；

第二行注釋是為了告訴Python解釋器，按照UTF-8編碼讀取源代碼，否則，你在源代碼中寫的中文輸出可能會有亂碼。

轉自http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/001386819196283586a37629844456ca7e5a7faa9b94ee8000