Python——关于encoding=ISO-8859-1和utf-8的介绍
Unicode、UTF－8 和 ISO8859-1和乱码问题
在下⾯的描述中，将以"中⽂"两个字为例，经查表可以知道其GB2312编码是"d6d0 cec4",Unicode编码为"4e2d 6587",UTF编码就是"e4b8ad
e69687"。注意，这两个字没有iso8859-1编码，但可以⽤iso8859-1编码来"表⽰"。
2. 编码基本知识
最早的编码是iso8859-1，和ascii编码相似。但为了⽅便表⽰各种各样的语⾔，逐渐出现了很多标准编码，重要的有如下⼏个。
2.1. iso8859-1
属于单字节编码，最多能表⽰的字符范围是0-255，应⽤于英⽂系列。⽐如，字母a的编码为0x61=97。
很明显,iso8859-1编码表⽰的字符范围很窄,⽆法表⽰中⽂字符。但是，由于是单字节编码，和计算机最基础的表⽰单位⼀致，所以很多时候，仍旧使⽤ iso8859-1编码来表⽰。⽽且在很多协议上，默认使⽤该编
码。⽐如，虽然"中⽂"两个字不存在iso8859-1编码，以gb2312编码为例，应该是"d6d0 cec4"两个字符，使⽤iso8859-1编码的时候则将它拆开为4个字节来表⽰:"d6 d0 ce c4"(事实上，在进⾏存储的时候，也是以字节为单位处理的)。⽽如果是UTF编码，则是6个字节"e4 b8 ad e6 96 87"。很明显，这种表⽰⽅法还需要以另⼀种编码为基础。
2.2. GB2312/GBK
这就是汉⼦的国标码，专门⽤来表⽰汉字，是双字节编码,⽽英⽂字母和iso8859-1⼀致(兼容iso8859-1编码)。其中gbk编码能够⽤来同时表⽰繁体字和简体字,⽽ gb2312只能表⽰简体字,gbk是兼容gb2312编码的。
2.3. unicode
这是最统⼀的编码，可以⽤来表⽰所有语⾔的字符,⽽且是定长双字节(也有四字节的)编码，包括英⽂字母在内。所以可以说它是不兼容iso8859-1编码的，也不兼容任何编码。不过，相对于iso8859-1编码来说,uniocode编码只是在前⾯增加了⼀个0字节,⽐如字母a为"00 61"。
需要说明的是，定长编码便于计算机处理(注意GB2312/GBK不是定长编码),⽽unicode⼜可以⽤来表⽰所有字符，所以在很多软件内部是使⽤unicode编码来处理的,⽐如java。
2.4. UTF
考虑到unicode编码不兼容iso8859-1编码,⽽且容易占⽤更多的空间：因为对于英⽂字母,unicode也需要两个字节来表⽰。所以unicode不便于传输和存储。因此⽽产⽣了utf编码,utf编码兼容iso8859-1编码，同时也可以⽤来表⽰所有语⾔的字符，不过,utf编码是不定长编码，每⼀个字符的长度从1-6个字节不等。另外,utf编码⾃带简单的校验功能。⼀般来讲，英⽂字母都是⽤⼀个字节表⽰,⽽汉字使⽤三个字节。
注意，虽然说utf是为了使⽤更少的空间⽽使⽤的，但那只是相对于unicode编码来说，如果已经知道是汉字，则使⽤GB2312/GBK⽆疑是最节省的。不过另⼀⽅⾯，值得说明的是，虽然utf编码对汉字使⽤3个字节，但即使对于汉字⽹页,utf编码也会⽐unicode编码节省，因为⽹页中包含了很多的英⽂字符。
3. java对字符的处理
在java应⽤软件中，会有多处涉及到字符集编码，有些地⽅需要进⾏正确的设置，有些地⽅需要进⾏⼀定程度的处理。
3.1. getBytes(charset)
这是java字符串处理的⼀个标准函数，其作⽤是将字符串所表⽰的字符按照charset编码，并以字节⽅式表⽰。注意字符串在java内存中总是按unicode编码存储的。⽐如"中⽂"，正常情况下(即没有错误的时候)
存储为"4e2d 6587"，如果charset为"gbk"，则被编码为"d6d0 cec4"，然后返回字节"d6 d0 ce c4"。如果charset为"utf8"则最后是"e4 b8 ad e6 96 87"。如果是"iso8859-1"，则由于⽆法编码，最后返回 "3f 3f"(两个问号)。3.2. new String(charset)
这是java字符串处理的另⼀个标准函数，和上⼀个函数的作⽤相反，将字节数组按照charset编码进⾏组合识别，最后转换为unicode存储。参考上述getBytes的例⼦,"gbk" 和"utf8"都可以得出正确的结果"4e2d 6587"，但iso8859-1最后变成了"003f 003f"(两个问号)。
因为utf8可以⽤来表⽰/编码所有字符，所以new String( Bytes( "utf8" ), "utf8" ) === str，即完全可逆。
3.3. setCharacterEncoding()
该函数⽤来设置http请求或者相应的编码。
对于request，是指提交内容的编码，指定后可以通过getParameter()则直接获得正确的字符串，如果不指定，则默认使⽤iso8859-1编码，需要进⼀步处理。参见下述"表单输⼊"。值得注意的是在执⾏setCharacterEncoding()之前，不能执⾏任何getParameter()。java doc上说明:This method must be called prior to reading request parameters or reading input using getReader()。⽽且，该指定只对POS
T⽅法有效，对GET⽅法⽆效。分析原因，应该是在执⾏第⼀个getParameter()的时候,java将会按照编码分析所有的提交内容,⽽后续的getParameter()不再进⾏分析，所以setCharacterEncoding()⽆效。⽽对于GET⽅法提交表单是，提交的内容在URL中,⼀开始就已经按照编码分析所有的提交内
unicode所有字符容,setCharacterEncoding()⾃然就⽆效。
对于response，则是指定输出内容的编码，同时，该设置会传递给浏览器，告诉浏览器输出内容所采⽤的编码。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。