摘要：每個字符都可以編碼為唯一的序列。但在中還有其他的數字系統，通過其他方式是表示數字。事實上，是的完美子集。里的編碼與解碼的類型用于表示人類可讀的文本，可以包含任何字符。編碼的文本表示為二進制數據字節。

在使用Python或者其他的編程語言，都會多多少少遇到編碼錯誤，處理起來非常痛苦。在Stack Overflow和其他的編程問答網站上，UnicodeDecodeError和UnicodeEncodeError也經常被提及。本篇教程希望能幫你認識Python編碼，并能夠從容的處理編碼問題。

本教程提到的編碼知識并不限定在Python，其他語言也大同小異，但我們依然會以Python為主，來演示和講解編碼知識。

通過該教程，你將學習到如下的知識:

獲取有關字符編碼和數字系統的概念

理解編碼如何使用Python的str和bytes

通過int函數了解Python對數字系統的支持

熟悉Python字符編碼和數字系統相關的內置函數

現在的編碼規則已經有好多了，最簡單、最基本是的ASCII編碼，只要是你學過計算機相關的課程，你就應該多少了解一點ASCII編碼，他是最小也是最適合了解字符編碼原理的編碼規則。具體如下：

小寫英文字符：a-z

大寫英文字符：A-Z

符號: 比如 $和!

空白符：回車、換行、空格等

一些不可打印的字符: 比如b等

那么，字符編碼的定義到底是什么了？它是一種將字符（如字母，標點符號，符號，空格和控制字符）轉換為整數并最終轉換為bit進行存儲的方法。 每個字符都可以編碼為唯一的bit序列。 如果你對bit的概念不了解，請不要擔心，我們后面會介紹。

ASCII碼的字符被分為如下幾組：

ASCII表一共包括128個字符，如果你想了解整個ASCII表，這里有

string模塊是python里處理字符串很方便的模塊，它包括了整個ASCII字符，讓我們來看看部分string模塊源碼：

# From lib/python3.7/string.py

whitespace = " 	

vf"
ascii_lowercase = "abcdefghijklmnopqrstuvwxyz"
ascii_uppercase = "ABCDEFGHIJKLMNOPQRSTUVWXYZ"
ascii_letters = ascii_lowercase + ascii_uppercase
digits = "0123456789"
hexdigits = digits + "abcdef" + "ABCDEF"
octdigits = "01234567"
punctuation = r"""!"#$%&"()*+,-./:;<=>?@[]^_`{|}~"""
printable = digits + ascii_letters + punctuation + whitespace

你可以在Python中這樣使用string模塊：

>>> import string

>>> s = "What"s wrong with ASCII?!?!?"
>>> s.rstrip(string.punctuation)
"What"s wrong with ASCII"

學過計算機相關課程的同學，應該都知道，bit是計算機內部存儲單位，只有0和1兩個狀態(二進制)，我們上面所說的ASCII表，都是一個10進制的數字表示一個字符，而這個10進制數字，最終會轉換成0和1，存儲在計算機內部。例如(第一列是10進制數字，第二列是二進制，第三列是計算機內部存儲結果):

這是一種在Python中將ASCII字符串表示為位序列的方便方法。 ASCII字符串中的每個字符都被偽編碼為8位，8位序列之間有空格，每個字符代表一個字符：

>>> def make_bitseq(s: str) -> str:
...     if not s.isascii():
...         raise ValueError("ASCII only allowed")
...     return " ".join(f"{ord(i):08b}" for i in s)

>>> make_bitseq("bits")
"01100010 01101001 01110100 01110011"

>>> make_bitseq("CAPS")
"01000011 01000001 01010000 01010011"

>>> make_bitseq("$25.43")
"00100100 00110010 00110101 00101110 00110100 00110011"

>>> make_bitseq("~5")
"01111110 00110101"

我們也可以是用python的f-string 來格式化，比如f"{ord(i):08b}"：

冒號的左側是ord（i），它是實際的對象，其值將被格式化并插入到輸出中。 使用ord（）為單個str字符提供了base-10代碼點。

冒號的右側是格式說明符。 08表示寬度為8,0填充，b用作在基數2（二進制）中輸出結果數的符號。

ASCII采用的是8bit來存儲字符(只使用7位，剩下的1位二進制為0)，所以，ASCII最多存儲128個字符，這有個簡單的公式，計算存儲字符的bit數量與存儲字符總數的關系：2的n次方，n表示bit數量。例如：

1bit存儲2個字符

8bit存儲256個字符

64bit存儲2的64次方 == 18,446,744,073,709,551,616

我們可以寫個簡單的代碼，來計算一下，指定字符數量，至少需要多少bit來存儲：

>>> from math import ceil, log

>>> def n_bits_required(nvalues: int) -> int:
...     return ceil(log(nvalues) / log(2))

>>> n_bits_required(256)
8

在上面的ASCII討論中，您看到每個字符映射到0到127范圍內的整數。但在CPython中還有其他的數字系統，通過其他方式是表示數字。除了十進制外，python還支持以下幾個方式：

Binary: 2進制

Octal: 8進制

Hexadecimal (hex): 16進制

你可能要問，為什么有了十進制，還要支持這么多其他進制的數字了？這個取決你的業務場景和操作系統，在Python里，把str轉換成int，默認是10進制的。

>>> int("11")
11
>>> int("11", base=10)  # 10 is already default
11
>>> int("11", base=2)  # Binary
3
>>> int("11", base=8)  # Octal
9
>>> int("11", base=16)  # Hex
17

你可以在賦值時，直接告訴解釋器數字的類型，不同進制標表示方法如下：

>>> 11
11
>>> 0b11  # 二進制
3
>>> 0o11  # 八進制
9
>>> 0x11  # 16進制
17

正如您所看到的，ASCII的問題在于它不是一個足夠大的字符集來容納世界上的語言，方言，符號和字形。 （這對于英語來說甚至都不夠大。）Unicode從根本上起到與ASCII相同的作用，但是Unicode擁有更大的存儲空間，具有1,114,112個可能的字符，能夠完全包含世界上所有的語言。事實上，ASCII是Unicode的完美子集。 Unicode表中的前128個字符與您合理期望的ASCII字符完全對應。

Unicode本身不是編碼，但是有很多遵循Unicode編碼規范編碼，后面講到的UTF-8就是其中一個。

Unicode是一種抽象編碼標準，而不是編碼。這就是UTF-8和其他編碼方案發揮作用的地方。 Unicode標準（字符到代碼點的映射）從其單個字符集定義了幾種不同的編碼。UTF-8及其較少使用的表兄弟UTF-16和UTF-32是用于將Unicode字符表示為每個字符一個或多個字節的二進制數據的編碼格式。我們稍后將討論UTF-16和UTF-32，但到目前為止，UTF-8占據了最大份額。

Python 3的str類型用于表示人類可讀的文本，可以包含任何Unicode字符。

相反，字節類型表示二進制數據或原始字節序列，它們本質上沒有附加編碼。

編碼和解碼是從一個到另一個的過程：

decode 和 encode 函數，默認編碼是utf-8:

>>> "résumé".encode("utf-8")
b"rxc3xa9sumxc3xa9"
>>> "El Ni?o".encode("utf-8")
b"El Nixc3xb1o"

>>> b"rxc3xa9sumxc3xa9".decode("utf-8")
"résumé"
>>> b"El Nixc3xb1o".decode("utf-8")
"El Ni?o"

str.encode（）的結果是一個bytes對象，bytes對象只允許ASCII字符。這就是為什么在調用“ElNi?o”.encode（“utf-8”）時，允許ASCII兼容的“El”按原樣表示，但帶有波浪號的n被轉義為“ xc3 xb1”。 這個看起來很亂的序列代表兩個字節，十六進制為0xc3和0xb1：

>>> " ".join(f"{i:08b}" for i in (0xc3, 0xb1))
"11000011 10110001"

默認情況下，Python 3源代碼假定為UTF-8。 這意味著您不需要＃ - - 編碼：UTF-8 - - 位于Python 3中.py文件的頂部。

默認情況下，所有文本（str）都是Unicode。 編碼的Unicode文本表示為二進制數據（字節）。 str類型可以包含任何文字Unicode字符，例如“Δv/Δt”，所有這些字符都將存儲為Unicode。

Unicode字符集中的任何內容都是標識符中的猶太符號，這意味著résumé=“?/ Documents / resume.pdf”是有效的，雖然這看起來很花哨。

Python的re模塊默認為re.UNICODE標志而不是re.ASCII。 這意味著，例如，r“ w”匹配Unicode字符，而不僅僅是ASCII字母。

str.encode（）和bytes.decode（）中的默認編碼是UTF-8。

還有一個更細微的屬性，即內置的open（）的默認編碼是依賴于平臺的，并且取決于locale.getpreferredencoding（）的值：

>>> # Mac OS X High Sierra
>>> import locale
>>> locale.getpreferredencoding()
"UTF-8"

>>> # Windows Server 2012; other Windows builds may use UTF-16
>>> import locale
>>> locale.getpreferredencoding()
"cp1252"

一個關鍵特性是UTF-8是一種可變長度編碼。回想一下關于ASCII的部分。 擴展ASCII-land中的所有內容最多需要一個字節的空間。 您可以使用以下生成器表達式快速證明這一點：

>>> all(len(chr(i).encode("ascii")) == 1 for i in range(128))
True

UTF-8完全不同。 給定的Unicode字符可以占用1到4個字節。 以下是占用四個字節的單個Unicode字符的示例：

>>> ibrow = "