Python有关Unicode UTF-8 GBK编码问题详解

1.统一码（Unicode）

Unicode也叫万国码、单一码，是计算机科学领域里的一项业界标准，包括字符集、编码方案等。对于世界上所有的语言文字再unicode中都可以查看到。【汉】字的编码解释官网https://www.unicode.org/cgi-bin/GetUnihanData.pl?codepoint=6C49

unicode编码就是为了统一世界上的编码，有一个统一的规范。但是它还存在一些问题。

Unicode的问题

需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

比如，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），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。

这里就有两个严重的问题

• 第一个：如何才能区别unicode和ascii？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？
• 第二个：我们已经知道，英文字母只用一个字节表示就够了，如果unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

它们造成的结果是：

• 出现了unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示unicode。
• unicode在很长一段时间内无法推广，直到互联网的出现。

2.UTF-8编码

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32，不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8的编码规则很简单，只有二条：

• 对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
• 对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

下表总结了编码规则，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

Python代码举例：

a = '\u6c49' # 汉的unicode编码
print(a)
a = '汉'
print("汉字utf8格式：",a.encode('utf8'))
print('汉字unicode格式：',a.encode('unicode_escape'))
print('汉字gbk格式：',a.encode('gbk'))
print('汉字gb2312格式：',a.encode('gb2312'))
# 输出结果
汉
汉字utf8格式： b'\xe6\xb1\x89'
汉字unicode格式： b'\\u6c49'
汉字gbk格式： b'\xba\xba'
汉字gb2312格式： b'\xba\xba'

可以看到以上结果，汉字的汉通过print打印时用的是unicode编码，存储时使用utf8,也即是我们保存文件时常用的编码

with open('xxx.txt','w',encoding='utf-8') as f:
    f.write(xxx)

打开的时候也要指定文件编码

with open(file_path, encoding='utf-8') as f:
    f.read()

当使用gbk编码保存的文件使用utf8打开时会报错,使用gbk打开即可

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

总结

• UNICODE是一个符号集合,对全世界的语言都对应一个符号编码
• UTF-8是UNICODE在计算机中存储时的具体体现，是存储方案
• UTF-16同理
• UTF-32同理
• GB 2312 或 GB 2312-80 是一个简体中文字符集的中国国家标准，全称为《信息交换用汉字编码字符集·基本集》，又稱為GB0，由中国国家标准总局发布，1981年5月1日实施。
• GBK: 汉字国标扩展码,基本上采用了原来GB2312-80所有的汉字及码位，并涵盖了原Unicode中所有的汉字20902，总共收录了883个符号， 21003个汉字及提供了1894个造字码位。

参考链接

到此这篇关于Python有关Unicode UTF-8 GBK编码问题详解 的文章就介绍到这了,更多相关Python Unicode UTF-8 GBK编码内容请搜索猪先飞以前的文章或继续浏览下面的相关文章希望大家以后多多支持猪先飞！