基本概念
unicode
我的理解是unicode就是一个对照表,一个unicode码位不管编码成什么样子的字节序列,它的码位是不变的
码位
像我们经常看到的\uxxxx这种属于unicode的码位
编码和解码
把unicode码位转换为字节序列的过程,成为编码
把字节序列转换为unicode码位的过程,成为解码
字节序列
经常看到的\x...\x...这样的就是编码后的字节序列,也是字节流,用16进制来表示,一个\x..表示一个字节,
例如"中"这个字符串的utf-8字节流序列为 "\xe4\xb8\xad",utf-8用3个字节表示一个中文
把unicode作为一切编码对照表, \uxxx表示码位,不论转为什么编码,一个字符的码位是不变的,但以不同的编码
器编码成的字节则不同,例如晨在utf-8中是3个字节,在gbk中时2个字节,\x表示16进制,而后面两个ascii表示一个字节
如\xb3表示 1011 0011
晨从编码上看python2和python3的区别
python3
str是编码后的unicode文本
python3的str对象就是python2的unicode对象
python3python2
str为编码后的字节序列,
python2q&a
脚本字符编码和解释器字符编码(解释器字符编码看不同平台,如windows默认gbk)
脚本字符编码:就是解释器解释脚本文件时使用的编码格式,可以通过# -*- coding: utf-8 -*- 显式指定
解释器字符编码:解释器内部逻辑过程中对 str 类型进行处理时使用的编码格式
Python2 中默认把脚本文件使用 ASCII 来处理,所以在python2的源文件中需要加上encoding:utf-8,否则直接输出中文会报错
ascii
Python3 中默认把脚步文件使用 UTF-8 来处理
python3windows控制台的命令解释器编码
windows 控制台中,python的命令解释器编码默认为gbk,gbk的中文为2个字节, 而utf8中文为3个字节,
windows中,把unicode编码为utf-8字节序列后,print出来会是乱码,因为控制台使用的编码是gbk
乱码BOM是什么
BOM(byte-order mark)字节序标记,意思是UTF-16中分为大字节序和小字节序,小字节序系统需要在文本
前面添加\xff\xfe,没有BOM则是大字节序。但windows下有个奇怪的问题,notepad会在文件里面自动添加BOM,
而且Excel也会根据有没有BOM判断是否为UTF-8编码。这就是我们用notepad++保存csv格式的文件是要带上BOM的原因
网友评论