亿万先生官方网站:0–127意味的符号是如出一辙的,一个字节一共可以用来代表256种差其他场地

ASCII码

大家领略,在电脑内部,所有的音讯最后都代表为一个二进制的字符串。每一个二进制位(bit)有0和1二种意况,因而三个二进制位就可以组合出256种情形,那被叫做一个字节(byte)。也就是说,一个字节一共可以用来表示256种分歧的处境,每一个情状对应一个标志,就是256个记号,从0000000到11111111。
上个世纪60年份,弥利坚制定了一套字符编码,对西班牙王国(The Kingdom of Spain)语字符与二进制位之间的关系,做了统一确定。那被叫作ASCII码,一直沿用至今。
ASCII码一共规定了128个字符的编码,比如空格”SPACE”是32(二进制00100000),大写的字母A是65(二进制01000001)。那128个标志(包含32个不可能打印出来的决定符号),只占用了一个字节的背后7位,最前面的1位统一确定为0。

本文参考:http://www.ruanyifeng.com/blog/2007/10/ascii\_unicode\_and\_utf-8.html)

非ASCII编码

斯洛伐克语用128个标志编码就够了,但是用来表示其他语言,128个标志是不够的。比如,在乌Crane语中,字母上方有注音符号,它就不能用ASCII码表示。于是,一些欧洲江山就控制,利用字节中不了了之的万丈位编入新的记号。比如,朝鲜语中的é的编码为130(二进制10000010)。这样一来,那几个北美洲江山利用的编码连串,可以表示最多256个标志。

而是,那里又冒出了新的难题。分歧的国度有区其余字母,由此,哪怕它们都应用256个标志的编码格局,代表的假名却不等同。比如,130在拉脱维亚语编码中意味着了é,在塞尔维亚语编码中却表示了字母Gimel
(ג),在法语编码中又会代表另一个标记。但是无论如何,所有那个编码格局中,0–127象征的号子是相同的,不同的只是128–255的这一段。

关于澳大利亚国度的文字,使用的记号就越多了,汉字就多达10万左右。一个字节只好表示256种标志,肯定是不够的,就不能够不运用八个字节表明一个标记。比如,简体普通话常见的编码方式是GB2312,使用四个字节表示一个汉字,所以理论上最多可以象征256×256=65536个标志。

中文编码的题材须求专文琢磨,那篇笔记不关乎。这里只提出,尽管都是用七个字节表示一个标志,可是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。

1. ASCII码

Unicode

正如上一节所说,世界上设有着冒尖编码格局,同一个二进制数字可以被解释成分歧的符号。因而,要想打开一个文本文件,就不可能不通晓它的编码方式,否则用错误的编码方式解读,就会并发乱码。为何电子邮件平日出现乱码?就是因为发信人和收信人使用的编码方式不雷同。

可以想像,假设有一种编码,将世界上具有的号子都纳入其中。每一个标记都给予一个旷世的编码,那么乱码难点就会破灭。这就是Unicode,似乎它的名字都代表的,那是一种具有符号的编码。

Unicode当然是一个很大的聚集,现在的范畴足以包容100多万个记号。每个符号的编码都分歧,比如,U+0639意味着阿拉伯字母Ain,U+0041意味着西班牙语的大写字母A,U+4E25表示汉字”严”。具体的符号对应表,可以查询unicode.org,或者特其他汉字对应表。

大家知道,在统计机内部,所有的新闻最后都表示为一个二进制的字符串。每一个二进制位(bit)有0和1二种情状,由此多个二进制位就足以组合出256种意况,那被誉为一个字节(byte)。也就是说,一个字节一共能够用来代表256种差其他动静,每一个意况对应一个标记,就是256个标志,从0000000到11111111。

Unicode的问题

内需专注的是,Unicode只是一个符号集,它只规定了标记的二进制代码,却未曾确定那些二进制代码应该如何存储。

例如,汉字”严”的unicode是十六进制数4E25,转换成二进制数足足有15位(100111000100101),也就是说那些符号的意味至少需要2个字节。表示其他更大的标志,可能需求3个字节或者4个字节,甚至更加多。

此地就有八个严重的题材,第四个难题是,怎么样才能分别Unicode和ASCII?计算机怎么领悟四个字节表示一个标志,而不是个别代表七个标志呢?首个难点是,我们早已领会,英文字母只用一个字节表示就够了,假设Unicode统一确定,每个符号用七个或八个字节表示,那么每个英文字母前都自然有二到五个字节是0,那对于仓储来说是宏大的浪费,文本文件的轻重会因而大出二三倍,那是心有余而力不足承受的。

它们造成的结果是:1)出现了Unicode的有余仓储格局,也就是说有不少种分歧的二进制格式,可以用来代表Unicode。2)Unicode在很长一段时间内无法松开,直到网络的产出。

上个世纪60年间,米国制定了一套字符编码,对阿拉伯语字符与二进制位之间的关系,做了合并规定。那被号称ASCII码,一贯沿用至今。

UTF-8

互连网的普及,强烈必要出现一种统一的编码格局。UTF-8就是在互连网上选拔最广的一种Unicode的贯彻情势。其余完毕格局还包含UTF-16(字符用多少个字节或多个字节表示)和UTF-32(字符用八个字节表示),不过在网络上着力不用。重复一遍,那里的涉及是,UTF-8是Unicode的兑现格局之一。

UTF-8最大的一个特点,就是它是一种变长的编码格局。它可以动用1~4个字节表示一个标志,根据不相同的记号而变化字节长度。
UTF-8的编码规则很粗略,唯有二条:

1)对于单字节的号子,字节的率先位设为0,前面7位为这几个符号的unicode码。因而对此盖尔语字母,UTF-8编码和ASCII码是一样的。

2)对于n字节的标志(n>1),第二个字节的前n位都设为1,第n+1位设为0,后边字节的前两位一律设为10。剩下的从未有过提及的二进制位,全体为那么些符号的unicode码。
下表总计了编码规则,字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码格局

(十六进制) | (二进制)

——————–+———————————————

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

跟据上表,解读UTF-8编码卓殊简单。假设一个字节的首先位是0,则那么些字节单独就是一个字符;若是首位是1,则连年有些许个1,就意味着近期字符占用多少个字节。

下边,仍旧以汉字”严”为例,演示怎样完成UTF-8编码。

已知”严”的unicode是4E25(100111000100101),按照上表,可以窥见4E25高居第三行的限定内(0000
0800-0000 FFFF),因而”严”的UTF-8编码需求两个字节,即格式是”1110xxxx
10xxxxxx
10xxxxxx”。然后,从”严”的终极一个二进制位初阶,依次从后迈入填入格式中的x,多出的位补0。那样就得到了,”严”的UTF-8编码是”11100100
10111000 10100101″,转换成十六进制就是E4B8A5。

ASCII码一共规定了128个字符的编码,比如空格”SPACE”是32(二进制00100000),大写的字母A是65(二进制01000001)。那128个记号(包蕴32个不能够打印出来的控制符号),只占用了一个字节的末尾7位,最前边的1位统一确定为0。

python 中的字符串编码

在使用

#!/usr/bin/env python
# -*- coding:utf-8 -*-

默许的华语编码为utf8

>>> kel = '中' 
>>> kel
'\xe4\xb8\xad'

加入u以后,变成unicode

>>> kel = u'中'
>>> kel
u'\u4e2d'

2、非ASCII编码

python 文件字符串编码

保存Unicode字符到文本文档

#coding=utf-8
import os

def write_use_open(filepath):
    try:
        file = open(filepath, 'wb')
        try:
            content = '中华人民共和国abcd \r\nee ?!>??@@@!!!!!???¥@#%@%#xx学校ada\r\n'
            print file.encoding
            print file.newlines
            print file.mode
            print file.closed
            print content
            file.write(content)
        finally:
            file.close()
            print file.closed
    except IOError, e:
        print e


if __name__ == '__main__':
    filepath = os.path.join(os.getcwd(), 'file.txt')
    write_use_open(filepath)

初阶我是IDLE编写的,并一直按F5周转,没察觉标题,文件也被正确地保留,文件的编码类型也是utf-8.

不过我用命令行运行,却发现显示出现乱码了,然后在开辟文件发现文件被正确保存了,编码依然utf-8:

亿万先生官方网站: 1

题材是命令行无法自动识别字符编码吧,因为IDLE显示是没错的,它协理utf-8。

于是自己修改了代码,在字符串前加了’u’,阐明content是unicode:
content = u’中中原人民共和国abcd \r\nee
?!>??@@@!!!!!???¥@#%@%#xx学校ada\r\n’

只是运行发现,命令行是正确呈现了,不过却出现极度:

亿万先生官方网站: 2

很鲜明,content里含有了非ASCII码字符,肯定不可以选择ASCII来展开编码的,write方法是默许使用ascii来编码保存的。

很不难就足以想到,在保存从前,先对unicode字符进行编码,我接纳utf-8

#coding=utf-8
import os

def write_use_open(filepath):
    try:
        file = open(filepath, 'wb')
        try:
            content = u'中华人民共和国abcd \r\nee ?!>??@@@!!!!!???¥@#%@%#xx学校ada\r\n'
            print file.encoding
            print file.newlines
            print file.mode
            print file.closed
            print content
            print unicode.encode(content, 'utf-8')
            file.write(unicode.encode(content, 'utf-8'))
        finally:
            file.close()
            print file.closed
    except IOError, e:
        print e

if __name__ == '__main__':
    filepath = os.path.join(os.getcwd(), 'file.txt')
    write_use_open(filepath)

探望运行结果:

亿万先生官方网站: 3

OK了打开文档也是科学的。
读取文件又如何?同样道理,只是本次不是编码了,而解码:

def read_use_open(filepath):
    try:
        file = open(filepath, 'rb')
        try:
            content = file.read()
            content_decode = unicode(content, 'utf-8')
            print 'original text'
            print content
            print 'decode using utf-8'
            print content_decode
        finally:
            file.close()
    except IOError, e:
        print e

if __name__ == '__main__':
    filepath = os.path.join(os.getcwd(), 'file.txt')
    write_use_open(filepath)
    print 'read file ---------------------------'
    read_use_open(filepath)

亿万先生官方网站: 4

怎么不直接在open的时候就解码呢?呵呵,可以啊,可以动用codecs的open方法

import codecs
def read_use_codecs_open(filepath):
    try:
        file = codecs.open(filepath, 'rb', 'utf-8')
        try:
            print 'using codecs.open'
            content = file.read()
            print content
        finally:
            file.close()
    except IOError, e:
        print e

亿万先生官方网站: 5

西班牙语用128个记号编码就够了,但是用来表示其他语言,128个标志是不够的。比如,在芬兰语中,字母上方有注音符号,它就不可能用ASCII码表示。于是,一些南美洲国度就决定,利用字节中不了了之的最高位编入新的记号。比如,塞尔维亚共和国语中的é的编码为130(二进制10000010)。那样一来,这一个南美洲国度选用的编码种类,可以代表最多256个记号。

互联网中乱码的解决

中文网页中,有些网页抓取下来未来,由于网页编码的题目,须要展开解码。首先大家需求看清网页中到底使用的是如何编码,在根据这些编码把字符串变成utf8编码。

在探测编码时,chardet第三方库卓殊的有益。

网页编码判断:

import urllib
rawdata = urllib.urlopen('http://tech.163.com/special/00097UHL/tech_datalist.js').read()
import chardet
print chardet.detect(rawdata)

{'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'}

透过 chardet
探测出,网页的字符编码为GB2312编码,通过unicode转化为utf8编码:

str_body = unicode(rawdata, "gb2312").encode("utf8")

越多入门教程可以参考:[http://www.bugingcode.com/python_start/]
(http://www.bugingcode.com/python_start/)

不过,这里又出新了新的题材。差其他国家有分歧的假名,因而,哪怕它们都应用256个标志的编码形式,代表的字母却差距。比如,130在波兰语编码中意味着了é,在印度语印尼语编码中却代表了字母Gimel
(ג),在瑞典语编码中又会意味着另一个标志。可是无论怎么样,所有那个编码情势中,0–127象征的号子是平等的,不均等的只是128–255的这一段。所以,在128–255那段中,同一个二进制数在不一样国度的文字中意味不一致的字符。

有关亚洲国度的文字,使用的号子就更加多了,汉字就多达10万左右。一个字节只可以表示256种标志,肯定是不够的,就必须使用多少个字节表明一个标志。比如,简体汉语常见的编码形式是GB2312,使用八个字节表示一个中国字,所以理论上最多可以象征256×256=65536个标志。

粤语编码的题材亟需专文钻探,那篇笔记不涉及。那里只指出,即便都是用两个字节表示一个符号,不过GB类的汉字编码与后文的Unicode和UTF-8是毫非亲非故系的。

3.Unicode

正如上一节所说,世界上设有着冒尖编码方式,同一个二进制数字能够被分解成分化的记号。由此,要想打开一个文件文件,就务须了解它的编码格局,否则用错误的编码格局解读,就会出现乱码。为何电子邮件日常现身乱码?就是因为发信人和收信人使用的编码格局差距。

可以想象,若是有一种编码,将世界上保有的记号都纳入其间。每一个标志都予以一个独一无二的编码,那么乱码难点就会没有。那就是Unicode,如同它的名字都意味的,那是一种具有符号的编码。

Unicode当然是一个很大的聚集,现在的层面足以包容100多万个标志。每个符号的编码都不等同,比如,U+0639象征阿拉伯字母Ain,U+0041象征菲律宾语的大写字母A,U+4E25表示汉字”严”。具体的标志对应表,可以查询unicode.org,或者特其他汉字对应表

4. Unicode的问题

亟需小心的是,Unicode只是一个标志集,它只确定了标记的二进制代码,却从没规定这么些二进制代码应该怎么样存储。

譬如说,汉字”严”的unicode是十六进制数4E25,转换成二进制数足足有15位(100111000100101),也就是说那个标记的意味至少须求2个字节。表示其余更大的号子,可能必要3个字节或者4个字节,甚至更加多。

那里就有多个严重的题材,第四个难点是,怎么着才能分别Unicode和ASCII?总括机怎么明白多个字节表示一个标志,而不是个别代表两个标志呢?第四个难点是,大家早已了解,英文字母只用一个字节表示就够了,假诺Unicode统一规定,每个符号用八个或多少个字节表示,那么每个英文字母前都必将有二到三个字节是0,那对于仓储来说是高大的荒废,文本文件的高低会为此大出二三倍,那是无能为力经受的。

它们造成的结果是:1)出现了Unicode的有余储存方式,也就是说有好三种分歧的二进制格式,可以用来代表Unicode。2)Unicode在很长一段时间内无法推广,直到网络的出现。

5.UTF-8

互连网的推广,强烈必要出现一种统一的编码方式。UTF-8就是在网络上使用最广的一种Unicode的落到实处方式。其他已毕形式还包罗UTF-16(字符用七个字节或三个字节表示)和UTF-32(字符用多个字节表示),不过在互连网上基本不用。再一次一次,这里的关系是,UTF-8是Unicode的落到实处方式之一。

UTF-8最大的一个表征,就是它是一种变长的编码格局。它可以行使1~4个字节表示一个标志,按照差其余标记而变化字节长度。

UTF-8的编码规则很粗略,唯有二条:

1)对于单字节的标志,字节的万丈位设为0,前边7位为那几个标记的unicode码。由此对此土耳其语字母,UTF-8编码和ASCII码是同一的。

2)对于n字节的记号(n>1),首个字节的前n位都设为1,第n+1位设为0,前边字节的前两位一律设为10。剩下的没有提及的二进制位,全部为那一个标记的unicode码。

下表计算了编码规则,字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码方式
(十六进制) | (二进制)
——————–+———————————————
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

 

跟据上表,解读UTF-8编码卓殊不难。假如一个字节的率先位是0,则那么些字节单独就是一个字符;若是第四位是1,则一连有微微个1,就代表最近字符占用多少个字节。

下边,仍旧以汉字”严”为例,演示怎么样兑现UTF-8编码。

已知”严”的unicode是4E25(100111000100101),依照上表,可以窥见4E25远在第三行的界定内(0000
0800-0000 FFFF),因而”严”的UTF-8编码需求多少个字节,即格式是”1110xxxx
10xxxxxx
10xxxxxx”。然后,从”严”的末了一个二进制位起首,依次从后迈入填入格式中的x,多出的位补0。那样就得到了,”严”的UTF-8编码是”11100100
10111000 10100101″,转换成十六进制就是E4B8A5。

相关文章

网站地图xml地图