Python----webserver项目2
# 编码问题
- 为什么需要编码问题
- 本质上计算机只能识别01代码
- 如何用一长串01代码表示复杂的信息
- encode:编码 decode:解码
- 编码简史
- 二进制
- bit: 一个0或者1的二进制数字
- byte:八个01代码,字节
- 第一阶段: ASCII
- 第二阶段: 百花齐放,GB2, GBK, BIG5, Latin1, JIS,
- Latin1:兼容欧洲大多数语言
- 中国:GBxxxx
- 韩国台湾:BIG5
- 日本:JIS
- ANSI-MBCS(Multi-bytes character set, 多字节字符集)
- 第三个阶段:Unicode(ISO)
# 编码表示方法
- ASCII-American standard code for information interchange
- 所有控制字符(包括回车,删除等)编码再0-31范围以及127
- 所有标点符号,英文大小写放在32-126之间
- 预留128-255之间位置
- 0xxx xxxx 是它的编码形式
- Latin1
- 0-127的所有位置不动,那么可以兼容ASCII,二进制位0xxx xxxx
- 128-255位置全部用完,二进制位1xxx xxxx
- 128-159之间为控制字符,
- 160-255位文字符号,
- 其中包括了西欧语言、希腊语、泰语、阿拉伯语、希伯来语
- 欧元符号
- GBxxxxxxxxxx
- GB2312
- 如果一个字节中第一位为0,那么这就是一个ASCII字符。
- 如果一个字节中第一位为1,那么这个是汉字,认定需要2个字节才表示一个编码的
- 这个码表中包含汉字6763个和非汉字图形字符682个。
- 还有很多的空间没有用到,索性全部预留了吧。
- 0xxxxxxx:表示ASCII字符
- 1xxxxxxx 1xxxxxxx:表示为汉字
- GBK
- GB2312基础上添加汉字
- 兼任GB2312和ASCII
- 1xxxxxxx xxxxxxxx:表示为汉字
- GB18030
- 2/4位混编
# Unicode编码
- 只是一个码表,具体实现没有规定
- 0-0x10FFFF来映射这些字符,最多可以容纳1114112个字符
- 中文的编码范围为4E00-9FCF,其中9FC4-9FCF之间的区间没有使用
- 上述区间全部是汉字,不包含全角字符,不包含特殊文字
- UTF=UnicodeTransformationFormat
- UTF-8
0x0000~0x007F (0 ~ 127) 1字节 0xxxxxxx
0x0080~0x07FF (128 ~ 2047) 110xxxxx 10xxxxxx
0x0800~FFFF (2048 ~ 65535) 3字节 1110xxxx 10xxxxxx 10xxxxxx
0x10000~1FFFFFF(65536 ~ 2097152) 4字节
0x2000000~0x3FFFFFF(65536 ~ 2097152) 5字节 111110xx 10xxxxxx
0x4000000~0x7FFFFFF(65536 ~ 2097152) 6字节 1111110x 10xxxxxx
---------------------------------------------------------------------------------------------------------
Unicode/UCS-4 bit数 UTF-8 byte数 备注
0000 ~ 007F 0~7 0XXX XXXX 1
0080 ~ 07FF 8~11 110X XXXX 2
10XX XXXX
0800 ~ FFFF 12~16 1110XXXX 3 基本定义范围:0~FFFF
10XX XXXX
10XX XXXX
1 0000 ~ 1F FFFF 17~21 1111 0XXX 4 Unicode6.1定义范围:0~10 FFFF
10XX XXXX
10XX XXXX
10XX XXXX
20 0000 ~ 3FF FFFF 22~26 1111 10XX 5 说明:此非unicode编码范围,属于UCS-4 编码
10XX XXXX 早期的规范UTF-8可以到达6字节序列,可以覆盖到31位元(通用字符集原来的极限)。
10XX XXXX 尽管如此,2003年11月UTF-8 被 RFC 3629 重新规范,只能使用原来Unicode定义的区域,
10XX XXXX U+0000到U+10FFFF。根据规范,这些字节值将无法出现在合法 UTF-8序列中
10XX XXXX
400 0000 ~ 7FFF FFFF 27~31 1111 110X 6
10XX XXXX
10XX XXXX
10XX XXXX
10XX XXXX
10XX XXXX
-------------------------
- UTF-16,UTF-32
- UTF-16 早期 Uncode历史遗留问题
- UTF-32 浪费空间
- UCS-4
- UCS=UniversalCharacterSet,通用字符集
- UNS-2与Unicode相同
- 采用2个字节,定长的表示每一个字符,所以总计可以表示2……16个字符
- UCS-4
- 第一个字节:表示组(group),最高位为0,则有128个。
- 第二个字节:表示平面(plane),256个。
- 第三个字节:表示行(row),256个。
- 第四个字节:表示码位(cell),256个
- 如果UCS-4前两个字节为0,则就是CUS-2
#常用概念
- 编码/解码:有人类可直接读取信息转换成bytes格式的,叫编码,
- 大尾(BigEndian)和小尾(LittleEndian)
- '汉' -> 6C49
- 6C49 -> BigEndian
- 496C -> LittleEndian
- BOM
- UTF-8没有字节顺序问题
- UTF-16会出现问题
- "奎" -> 594E
- "乙" -> 4E59
- BOM-ByteOrderMark
- "ZERO WIDTH NO-BREAK SPACE" -> FEFE,在UCS中不存在
- FFFF->BigEndian
- FFFE->LittleEndian
- UTF-8 用来表示编码,FEFF的UTF-8编码是EF BB BF,
用来表示此后编码是UTF-8编码
- Python编码问题
- str
- bytes
- bytearray
-------------------------------------------------
- python文件默认utf-8编码,如果特殊需要,需要声明
- 放在第一行,或者第二行
- ···# -*- coding: windows-1252 -*-···
- 读写文件默认utf-8,可以指定
- code point方式比较字符串,可能会带来问题
- 重音符号地表示
- 使用 unicodedata.normalize 函数