爬虫中的关于字符串的一些理解
1.基本概念
字符(Character)是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等
字符集(Character set)是多个字符的集合
字符集包括：ASCII字符集、GB2312字符集、GB18030字符集、Unicode字符集等
ASCII编码是1个字节，而Unicode编码通常是2个字节。
UTF-8是Unicode的实现方式之一，UTF-8是它是一种变长的编码方式，可以是1，2，3个字节
2.Python3中的字符串
Python3中两种字符串类型
1.str：unicode的呈现形式
2.bytes: 字节类型，互联网上的数据都是以二进制的方式（字节类型）传输的
使用方法：
1.str使用encode方法转化为bytes
2.bytes通过decode转化为str
注意：编码方式与解码方式必须一样，否则就会出现乱码
3.Python2中的字符串
Python2中字符串有两种类型
1.unicode类型
2.字节类型
在Python2中，字符串无法完全地支持国际字符集和Unicode编码。为了解决这种限制，Python2对Unicode数据使用了单独的字符串类型。要输入Unicode字符串，要在第一个引号前加上'u'。
Python2中普通字符串实际上就是已经编码(非Unicode)的字节字符串
3.1.python2中的字节类型字符串
python2 中定义字符串的时候，会自动将字符串转换为合适编码的字节字符串，比如中文：自动转换为utf-8编码的字节字符串
举个例子（linux终端，默认终端的编码utf-8）：
>>> a = "你好" #如此定义字符串的时候，其为字节类型 >>> a '\xc4\xe3\xba\xc3' >>> type(a) <type 'str'>
上面的这种定义方式和在字符串前面加上b的效果一样,可以对其解码，转化为str类型
>>> c =b"你好"
>>> c
'\xe4\xbd\xa0\xe5\xa5\xbd'
>>> type(a)
<type 'str'>
>>> c.decode("utf-8")
u'\u4f60\u597d'
3.2 Python2中的Unicode类型
如果需要定义Unicode字符串，即非字节类型的字符串的时候需要在前面加上‘u’
>>> e = u"你好"
>>> e
u'\u4f60\u597d'
>>> type(e)
<type 'unicode'>
>>> e.encode('utf-8')
'\xe4\xbd\xa0\xe5\xa5\xbd'
3.3 python2中字节类型和uicode类型的转化
1.字节类型通过decode转化为Unicode类型
2.Unicode类型通过很encode方法转化为字节类型
3.方法的使用和Python3相同，但是在方法中默认的编码解码方式为ASCII，对中文需要手动指定为utf-8
4.文件编码
在Python中保存字符串到文件中，文件编码取决于第一次写入的字符串编码，如果后续写入的字符串编码和文件编码不一致时，则出现乱码（Python写入文件没有Unicode编码的文件编码）。
4.1 Python3只要是写入Unicode字符串，都按‘w’模式写入，除非是 非Unicode（gbk、utf8、jpg、mp4等非Unicode数据），按 "wb" 写入。
4.2Python2只要是写入字符串，都按 "w" 模式写入，除非是 图片、音频、视频这种非字符串数据，按 "wb" 模式写入。
