摘要:中國人民看到這樣很不錯,于是就把這種漢字方案叫做。結果擴展之后的編碼方案被稱為標準,包括了的所有內容,同時又增加了近個新的漢字包括繁體字和符號。
聲明:文章借鑒自【徹底搞懂 python 中文亂碼問題】
一. 各種編碼的由來 1.1 ASCII編碼很久很久以前,有一群人,他們決定用8個可以開合的晶體管來組合成不同的狀態,以表示世界上的萬物。他們看到8個開關狀態是好的,于是他們把這稱為”字節“。再后來,他們又做了一些可以處理這些字節的機器,機器開動了,可以用字節來組合出很多狀態,狀態開始變來變去。他們看到這樣是好的,于是它們就這機器稱為”計算機“。開始計算機只在美國用。八位的字節一共可以組合出256(2的8次方)種不同的狀態。 他們把其中的編號從0開始的32種狀態分別規定了特殊的用途,一但終端、打印機遇上約定好的這些字節被傳過來時,就要做一些約定的動作。遇上0×10, 終端就換行,遇上0×07, 終端就向人們嘟嘟叫,例好遇上0x1b, 打印機就打印反白的字,或者終端就用彩色顯示字母。他們看到這樣很好,于是就把這些0×20以下的字節狀態稱為”控制碼”。他們又把所有的空 格、標點符號、數字、大小寫字母分別用連續的字節狀態表示,一直編到了第127號,這樣計算機就可以用不同字節來存儲英語的文字了。大家看到這樣,都感覺很好,于是大家都把這個方案叫做 ANSI 的”Ascii”編碼(American Standard Code for Information Interchange,美國信息互換標準代碼)。當時世界上所有的計算機都用同樣的ASCII方案來保存英文文字。
1.2 GB2312編碼后來,就像建造巴比倫塔一樣,世界各地的都開始使用計算機,但是很多國家用的不是英文,他們的字母里有許多是ASCII里沒有的,為了可以在計算機保存他們的文字,他們決定采用 127號之后的空位來表示這些新的字母、符號,還加入了很多畫表格時需要用下到的橫線、豎線、交叉等形狀,一直把序號編到了最后一個狀態255。從128 到255這一頁的字符集被稱”擴展字符集“。從此之后,貪婪的人類再沒有新的狀態可以用了,美帝國主義可能沒有想到還有第三世界國家的人們也希望可以用到計算機吧!等中國人們得到計算機時,已經沒有可以利用的字節狀態來表示漢字,況且有6000多個常用漢字需要保存呢。
但是這難不倒智慧的中國人民,我們不客氣地把那些127號之后的奇異符號們直接取消掉, 規定:一個小于127的字符的意義與原來相同,但兩個大于127的字符連在一起時,就表示一個漢字,前面的一個字節(他稱之為高字節)從0xA1用到 0xF7,后面一個字節(低字節)從0xA1到0xFE,這樣我們就可以組合出大約7000多個簡體漢字了。在這些編碼里,我們還把數學符號、羅馬希臘的字母、日文的假名們都編進去了,連在 ASCII 里本來就有的數字、標點、字母都統統重新編了兩個字節長的編碼,這就是常說的”全角”字符,而原來在127號以下的那些就叫”半角”字符了。 中國人民看到這樣很不錯,于是就把這種漢字方案叫做 “GB2312“。GB2312 是對 ASCII 的中文擴展。
1.3 GBK編碼但是中國的漢字太多了,我們很快就就發現有許多人的人名沒有辦法在這里打出來,特別是某些很會麻煩別人的國家領導人。于是我們不得不繼續把 GB2312 沒有用到的碼位找出來老實不客氣地用上。 后來還是不夠用,于是干脆不再要求低字節一定是127號之后的內碼,只要第一個字節是大于127就固定表示這是一個漢字的開始,不管后面跟的是不是擴展字符集里的內容。結果擴展之后的編碼方案被稱為 GBK 標準,GBK 包括了 GB2312 的所有內容,同時又增加了近20000個新的漢字(包括繁體字)和符號。 后來少數民族也要用電腦了,于是我們再擴展,又加了幾千個新的少數民族的字,GBK 擴成了 GB18030。
從此之后,中華民族的文化就可以在計算機時代中傳承了。 中國的程序員們看到這一系列漢字編碼的標準是好的,于是通稱他們叫做 “DBCS“(Double Byte Charecter Set 雙字節字符集)。在DBCS系列標準里,最大的特點是兩字節長的漢字字符和一字節長的英文字符并存于同一套編碼方案里,因此他們寫的程序為了支持中處理,必須要注意字串里的每一個字節的值,如果這個值是大于127的,那么就認為一個雙字節字符集里的字符出現了。那時候凡是受過加持,會編程的計算機僧侶們都要每天念下面這個咒語數百遍: “一個漢字算兩個英文字符!一個漢字算兩個英文字符……”
因為當時各個國家都像中國這樣搞出一套自己的編碼標準,結果互相之間誰也不懂誰的編碼,誰也不支持別人的編碼,連大陸和臺灣這樣只相隔了150海里,使用著同一種語言的兄弟地區,也分別采用了不同的 DBCS 編碼方案——當時的中國人想讓電腦顯示漢字,就必須裝上一個”漢字系統”,專門用來處理漢字的顯示、輸入的問題,但是那個臺灣的愚昧封建人士寫的算命程序就必須加裝另一套支持 BIG5 編碼的什么”倚天漢字系統”才可以用,裝錯了字符系統,顯示就會亂了套!這怎么辦?而且世界民族之林中還有那些一時用不上電腦的窮苦人民,他們的文字又怎么辦? 真是計算機的巴比倫塔命題啊!
1.4 UNICODE號【注意】:這兒是unicode號,不叫Unicode編碼,一會兒你就知道為什么了
正在這時,大天使加百列及時出現了,一個叫 ISO(國際標誰化組織)的國際組織決定著手解決這個問題。他們采用的方法很簡單:廢了所有的地區性編碼方案,重新搞一個包括了地球上所有文化、所有字母和符號的編碼!他們打算叫它”Universal Multiple-Octet Coded Character Set”,簡稱 UCS, 俗稱 “unicode“。unicode開始制訂時,計算機的存儲器容量極大地發展了,空間再也不成為問題了。于是 ISO 就直接規定必須用兩個字節,也就是16位來統一表示所有的字符,對于ASCII里的那些“半角”字符,unicode 包持其原編碼不變,只是將其長度由原來的8位擴展為16位,而其他文化和語言的字符則全部重新統一編碼。
由于”半角”英文符號只需要用到低8位,所以其高8位永遠是0,因此這種大氣的方案在保存英文文本時會多浪費一倍的空間。這時候,從舊社會里走過來的程序員開始發現一個奇怪的現象:他們的 strlen 函數靠不住了,一個漢字不再是相當于兩個字符了,而是一個!是的,從 unicode 開始,無論是半角的英文字母,還是全角的漢字,它們都是統一的”一個字符“!同時,也都是統一的”兩個字節“,請注意”字符”和”字節”兩個術語的不同,“字節”是一個8位的物理存貯單元,而“字符”則是一個文化相關的符號。在 unicode 中,一個字符就是兩個字節。一個漢字算兩個英文字符的時代已經快過去了。
unicode 同樣也不完美,這里就有兩個的問題,一個是,如何才能區別 unicode 和 ASCII?計算機怎么知道三個字節表示一個符號,而不是分別表示三個符號呢?第二個問題是,我們已經知道,英文字母只用一個字節表示就夠了,如果 unicode 統一規定,每個符號用三個或四個字節表示,那么每個英文字母前都必然有二到三個字節是0,這對于存儲空間來說是極大的浪費,文本文件的大小會因此大出二三倍,這是難以接受的。
1.5 UTF-8編碼nicode 在很長一段時間內無法推廣,直到互聯網的出現,為解決 unicode 如何在網絡上傳輸的問題,于是面向傳輸的眾多 UTF(UCS Transfer Format)標準出現了,顧名思義,UTF-8就是每次8個位傳輸數據,而 UTF-16 就是每次16個位。UTF-8就是在互聯網上使用最廣的一種 unicode 的實現方式,這是為傳輸而設計的編碼,并使編碼無國界,這樣就可以顯示全世界上所有文化的字符了。UTF-8 最大的一個特點,就是它是一種變長的編碼方式。它可以使用1~4個字節表示一個符號,根據不同的符號而變化字節長度,當字符在 ASCII 碼的范圍時,就用一個字節表示,保留了 ASCII 字符一個字節的編碼做為它的一部分,注意的是 unicode 一個中文字符占2個字節,而UTF-8一個中文字符占3個字節)。從 unicode 到 uft-8 并不是直接的對應,而是要過一些算法和規則來轉換。
看到這里你是徹底懵逼還是恍然大悟,如果是徹底懵逼建議你再多看幾次,溫故而知新,如果恍然大悟的話我們就接著往下看。
二.亂碼的例子介紹完了基礎知識,我們來說說 Python 中是如何存儲字符的,先來看一個亂碼的例子。新建一個 demo.py 文件,文件存儲格式為utf-8文件中內容如下。
s = "中文" print s
然后后cmd中運行
正如你想的那樣,報錯了。保存信息說沒有"xe4"的ASCII碼,當然啦,ASCII是英文編碼,當然不認識中文啦,那我們想到的應該第一步是告訴解釋器我們這是需要用什么編碼來解釋我們的代碼的,Python默認就是ASCII編碼,我們試一下用utf8來解釋我們的代碼。
# coding:utf-8 s = "中文" print s
上面的代碼理論上是對的,但是!但是!呵呵!!!
我們在cmd中執行,確實是沒有報錯了,但是這是什么東西我們也看不懂呀。我解釋一下吧
【下面是知識點,圈起來,考試要考】
我們在cmd中輸入或者輸出的時候其實也涉及到編碼為問題,,查看 cmd 的編碼命令是 chcp,返回 936,936 代表 GBK 編碼,而將中文的utf-8 編碼 xe4xb8xadxe6x96x87 強制轉換為 GBK 就會亂碼了,GBK 是兩個字節存儲一個中文字符,所以 xe4xb8xadxe6x96x87 會解碼成三個字
如果我們換成在cmd中交互,在cmd中執行以上的代碼,那當然就不會出現我們預期之外的結果了,因為編碼都一致了。
我們不可能在交互模式中寫大量代碼呀,我們還是得解決文件中的問題
三. 文件中的中文解決方案 3.1 統一編碼,統一文件系統和解釋器的編碼上面那個cmd的例子,如果我們把文件系統改成gbk存儲,同時告訴解釋器用gbk解析,那么和cmd的編碼格式就一致了,也就和我們預期的一樣了
# coding:gbk s = "中文" print s
【注意】:但是我們互聯網交換使用的編碼是utf-8,所以gbk當然不推薦
都知道每一個字符在計算機中都有唯一的一個編號,也就是Unicode號,用它就可以不管編碼的事兒了
# coding:utf-8 s = u"中文" print s print repr(s)3.3 把中文強制轉換為GBK或者unicode編碼
強制轉換為unicode編碼,在 Python 中編碼是可以互相轉換的,比如從utf-8轉換為gbk,不同編碼之間不能直接轉換,需要通過unicode字符集中間過渡下,從上面基礎知識可知unicode是一種字符集,不屬于編碼,而utf-8是具體實現unicode思想的一種編碼。utf-8轉換為unicode是一種解碼過程,通過decode可從utf-8解碼成unicode。這兒也就解釋了為什么上面我說叫Unicode號
# coding:utf-8 s = "中文" u = s.decode("utf-8") print u print type(u) print repr(u)
強制轉換為gbk編碼,上一步已經從utf-8轉換為unicode了,從unicode是編碼的過程,通過encode實現
windows cmd 窗口下不支持utf-8,想要顯示中文必須轉換為gbk或者unicode,而 Python idle 中這三種編碼都支持。中文亂碼的出現都是由于編碼不一致導致的,存儲的是用utf-8,打印的時候用gbk就會亂碼了,所有要保證不亂碼盡量保持統一,建議全部使用unicode
文件存儲為utf-8格式,編碼聲明為utf-8,# coding:utf-8
出現漢字的地方前面加 u,轉換成Unicode號
不同編碼之間不能直接轉換,要經過unicode中間跳轉
cmd 下不支持utf-8編碼
raw_input提示字符串只能為gbk編碼
文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。
轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/44835.html
摘要:用輸出,英文沒有問題,但是如果你輸出中文字符你好,世界就有可能會碰到中文編碼問題。實例你好,世界輸出結果為所以如果大家在學習過程中,代碼中包含中文,就需要在頭部指定編碼。注意源碼文件默認使用編碼,所以可以正常解析中文,無需指定編碼。 用 Python 輸出?Hello, World!,英文沒有問題,但是如果你輸出中文字符?你好,世界?就有可能會碰到中文編碼問題。 Python 文件中如...
摘要:而他們的中文釋義,就是對新手的最大陷阱編碼。而碼,也就是美國信息交換標準碼,年發布,位字符編碼中影響最大的一種。 編碼,還是編碼! python2的直鉤——編碼異常 當你用python打開一篇中文文檔,準備讀取里面的數據開始實驗...當你處理好你的數據,打算打印出易于閱讀的結果給boss檢查...甚至當你剛剛開始編寫自己的代碼,就寫了一句話... text = 什么鬼 只要你開始運行自...
摘要:所以,哪怕是初學者,都要了解并能夠解決字符編碼問題。在這個世界上,有好多不同的字符編碼。目前最新的版本為,已收入超過十萬個字符第十萬個字符在年獲采納。涵蓋的數據除了視覺上的字形編碼方法標準的字符編碼外,還包含了字符特性,如大小寫字母。 字符編碼,在編程中,是一個讓學習者比較郁悶的東西,比如一個str,如果都是英文,好說多了。但恰恰不是如此,中文是我們不得不用的。所以,哪怕是初學者,都要...
摘要:而且我們一直在講的,也可以用中文來編程。帶來的一個額外功能就是,你可以使用中文作為變量名。另外如果在代碼里寫中文,別忘了在開頭加上或的聲明。 現代計算機和編程的起源和推動力量主要源自美國,再加上26個字母很便于表示(算上大小寫,6位bit就夠了),因此英語一直是編程領域的不二之選。但這就給部分非英語國家的編程學習者帶來一些困擾。以至于有些人還沒開始學,就擔心自己的英語問題。這完全沒必要...
摘要:值得注意的是,有的編碼方案不一定能表示某些信息,這時編碼就會失敗,比如就不能用來表示中文。數組的每一項是一個字節,用來表示。所以對于字符串來說,其長度等于編碼后字節的長度。所以,讓來編碼解碼中文,就超出了其能力范圍。 在人機交互之字符編碼 一文中對字符編碼進行了詳細的討論,并通過一些簡單的小程序驗證了我們對于字符編碼的認識。但僅了解這篇文章的內容,并不能幫我們在日常編程中躲過一些字符編...
閱讀 2954·2021-11-11 16:55
閱讀 515·2021-09-27 13:36
閱讀 1073·2021-09-22 15:35
閱讀 2908·2019-08-30 12:46
閱讀 3125·2019-08-26 17:02
閱讀 1826·2019-08-26 11:56
閱讀 1295·2019-08-26 11:47
閱讀 423·2019-08-23 17:01