【9】python之字符编码与转码

 

1.在python2默认编码是ASCII（占一个字节）, python3里默认是unicode

2.unicode 分为 utf-32(占4个字节),utf-16(占两个字节)，utf-8(占1-4个字节)， so utf-16就是现在最常用的unicode版本， 不过在文件里存的还是utf-8，

   utf-8可变长度存英文字母一个字节，中文3个字节，因为utf8省空间

3.在py3中encode,在转码的同时还会把string 变成bytes类型，decode在解码的同时还会把bytes变回string

4.gbk：gb2312，7xxx个，占2个字节；gbk，27000个字符，占2个字节

 仅适用于py2

python2

import sys
print(sys.getdefaultencoding())#系统默认编码

s = "我爱北京天安门"#系统默认ASCII编码

print(s)
print(s.decode("utf-8"))
print(s.decode("utf-8").encode("gb2312") )
print(s.decode("utf-8").encode("gb2312").decode("gb2312"))
print(s.decode("utf-8").encode("gb2312").decode("gb2312").encode("utf-8"))

python3

import sys
print(sys.getdefaultencoding())#系统默认编码

s = "我爱北京天安门"#python默认是Unicode编码

print(s)
print(s.encode("gb2312"))
print(s.encode("gb2312").decode("gb2312").encode("utf-8"))
print(s.encode("gb2312").decode("gb2312").encode("utf-8").decode("utf-8"))
print(s.encode("gb2312").decode("gb2312").encode("utf-8").decode("utf-8").encode("gb2312"))

 

注：#-*-coding:gbk-*- 将文件改为gbk编码格式文件

python2

1. py2里默认编码是ascii
2. 文件开头那个编码声明是告诉解释这个代码的程序 以什么编码格式 把这段代码读入到内存，因为到了内存里，这段代码其实是以bytes二进制格式存的，不过即使是2进制流，也可以按不同的编码格式转成2进制流，你懂么？
3. 如果在文件头声明了#_*_coding:utf-8*_，就可以写中文了， 不声明的话，python在处理这段代码时按ascii，显然会出错， 加了这个声明后，里面的代码就全是utf-8格式了
4. 在有#_*_coding:utf-8*_的情况下，你在声明变量如果写成name=u"大保健"，那这个字符就是unicode格式，不加这个u,那你声明的字符串就是utf-8格式
5. utf-8 to gbk怎么转，utf8先decode成unicode,再encode成gbk

python3

1. py3里默认文件编码就是utf-8,所以可以直接写中文，也不需要文件头声明编码了，干的漂亮
2. 你声明的变量默认是unicode编码，不是utf-8, 因为默认即是unicode了（不像在py2里，你想直接声明成unicode还得在变量前加个u）, 此时你想转成gbk的话，直接your_str.encode("gbk")即可以
3. 但py3里，你在your_str.encode("gbk")时，感觉好像还加了一个动作，就是就是encode的数据变成了bytes里，我擦，这是怎么个情况，因为在py3里，str and bytes做了明确的区分，你可以理解为bytes就是2进制流，你会说，我看到的不是010101这样的2进制呀， 那是因为python为了让你能对数据进行操作而在内存级别又帮你做了一层封装，否则让你直接看到一堆2进制，你能看出哪个字符对应哪段2进制么？什么？自己换算，得了吧，你连超过2位数的数字加减运算都费劲，还还是省省心吧。　　
4. 那你说，在py2里好像也有bytes呀，是的，不过py2里的bytes只是对str做了个别名(python2里的str就是bytes, py3里的str是unicode)，没有像py3一样给你显示的多出来一层封装，但其实其内部还是封装了的。 这么讲吧， 无论是2还是三， 从硬盘到内存，数据格式都是 010101二进制到-->b'\xe4\xbd\xa0\xe5\xa5\xbd' bytes类型－－>按照指定编码转成你能看懂的文字

编码应用比较多的场景应该是爬虫了，互联网上很多网站用的编码格式很杂，虽然整体趋向都变成utf-8，但现在还是很杂，所以爬网页时就需要你进行各种编码的转换

 

爬虫遇到ISO-8859-1的中文，以下是转换方式

html.encode("ISO-8859-1").decode("utf-8")

爬虫遇到十六进制的中文，以下是转换方式

response.text.encode('utf-8').decode('unicode_escape')