python中，ascii,unicode,utf8,gbk之间的关系梳理

在计算机中，经常遇到编码问题，本节主要梳理下ascii，unicode，utf8，gbk 这几种编码之间的关系。

 

ASCII

计算机中，所有数据都以0和1来表示。在一开始的时候，要表示的内容比较少，人们使用了ascii编码的方式来编码。

ASCII（American Standard Code for Information Interchange，美国标准信息交换代码）是基于拉丁字母的一套电脑编码系统，主要用于显示现代英语和其他西欧语言，其最多只能用 8 位来表示（一个字节），即：2**8 -1 = 255，所以，ASCII码最多只能表示 255 个符号。

1 1 1 1   1 1 1 1 =2**0+2**1+2**2+2**3+2**4+2**5+2**6+2**7 = 2**8-1=255

 

Unicode，UTF-8，GBK

随着计算机的发展，显然ASCII码无法将世界上的各种文字和符号全部表示，所以，就需要新出一种可以代表所有字符和符号的编码，即：Unicode

 

Unicode（统一码、万国码、单一码）是一种在计算机上使用的字符编码。Unicode 是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。Unicode规定所有字符和符号最少使用2字节（16位）来表示，即2**16-1=65535

UTF-8，是对Unicode编码的压缩和优化，他不再使用最少使用2个字节，而是将所有的字符和符号进行分类：ascii码中的内容用1个字节保存、欧洲的字符用2个字节保存，东亚的字符用3个字节保存...

GBK，也是基于Unicode编码的进一步优化，GBK的文字编码是用双字节来表示的，即不论中、英文字符均使用双字节来表示

 

1.在python2默认编码是ASCII, python3里默认是utf-8

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-8就是unicode

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

 

Unicode与UTF-8，GBK的关系，如图：

Python环境

在python2中， python解释器在加载 .py 文件中的代码时，会对内容进行编码（默认ascill）

 

所以，如果在文件中有中文时，ascii码将无法表示。因此，在.py 文件中，应该明确告诉python解释器，用什么编码来执行源代码，即：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
 
print "你好，世界"

 

在python3中， python解释器，默认以Unicode对内容进行编码，所以不需指定编码格式即可表示中文。