pythonencode和decode函数说明
字符串编码常⽤类型：utf-8,gb2312,cp936,gbk等。
python中，我们使⽤decode()和encode()来进⾏解码和编码
在python中，使⽤unicode类型作为编码的基础类型。即
decode              encode
str ---------> unicode --------->str
u = u'中⽂'#显⽰指定unicode类型对象u
str = u.encode('gb2312') #以gb2312编码对unicode对像进⾏编码
str1 = u.encode('gbk') #以gbk编码对unicode对像进⾏编码
str2 = u.encode('utf-8') #以utf-8编码对unicode对像进⾏编码
u1 = str.decode('gb2312')#以gb2312编码对字符串str进⾏解码，以获取unicode
u2 = str.decode('utf-8')#如果以utf-8的编码对str进⾏解码得到的结果，将⽆法还原原来的unicode类型
如上⾯代码，str\str1\str2均为字符串类型（str），给字符串操作带来较⼤的复杂性。
好消息来了，对，那就是python3，在新版本的python3中，取消了unicode类型，代替它的是使⽤unicode字符的字符串类型(str)，字符串类型（str）成为基础类型如下所⽰，⽽编码后的变为了字节类型(bytes)但是两个函数的使⽤⽅法不变：
decode              encode
bytes ------> str(unicode)------>bytes
u = '中⽂'#指定字符串类型对象u
str = u.encode('gb2312') #以gb2312编码对u进⾏编码，获得bytes类型对象str
u1 = str.decode('gb2312')#以gb2312编码对字符串str进⾏解码，获得字符串类型对象u1
u2 = str.decode('utf-8')#如果以utf-8的编码对str进⾏解码得到的结果，将⽆法还原原来的字符串内容
避免不了的是，⽂件读取问题：
假如我们读取⼀个⽂件，⽂件保存时，使⽤的编码格式，决定了我们从⽂件读取的内容的编码格式，例如，我们从记事本新建⼀个⽂本⽂件, 编辑内容，保存的时候注意，编码格式是可以选择的，例如我们可以选择gb2312，那么使⽤python读取⽂件内容，⽅式如下：
f = open('','r')
s = f.read() #读取⽂件内容，如果是不识别的encoding格式（识别的encoding类型跟使⽤的系统有关），这⾥将读取失败
'''假设⽂件保存时以gb2312编码保存'''
u = s.decode('gb2312') #以⽂件保存格式对内容进⾏解码，获得unicode字符串
'''下⾯我们就可以对内容进⾏各种编码的转换了'''
str = u.encode('utf-8')#转换为utf-8编码的字符串str
python怎么读文件夹下的文件夹str1 = u.encode('gbk')#转换为gbk编码的字符串str1
str1 = u.encode('utf-16')#转换为utf-16编码的字符串str1
python给我们提供了⼀个包codecs进⾏⽂件的读取，这个包中的open()函数可以指定编码的类型：
import codecs
f = codecs.open('','r+',encoding='utf-8')#必须事先知道⽂件的编码格式，这⾥⽂件编码是使⽤的utf-8
content = f.read()#如果open时使⽤的encoding和⽂件本⾝的encoding不⼀致的话，那么这⾥将将会产⽣错误
f.write('你想要写⼊的信息')
f.close()
知识点：编码格式，下⾯放⼀下，⽂件编码的格式介绍（转来的）：
从⽂件编码的⽅式来看，⽂件可分为ASCII码⽂件和⼆进制码⽂件两种。
ASCII⽂件也称为⽂本⽂件，这种⽂件在磁盘中存放时每个字符对应⼀个字节，⽤于存放对应的ASCII码。例如，数5678的存储形式为：ASC码：　00110101 00110110 00110111 00111000
    　↓    ↓    ↓  　↓
⼗进制码： 5    　6    7    8 共占⽤4个字节。ASCII码⽂件可在屏幕上按字符显⽰，例如源程序⽂件就是ASCII⽂件，⽤DOS命令TYPE可显⽰⽂件的内容。由于是按字符显⽰，因此能读懂⽂件内容。
⼆进制⽂件是按⼆进制的编码⽅式来存放⽂件的。例如，数5678的存储形式为： 00010110 00101110只占⼆个字节。⼆进制⽂件虽然也可在屏幕上显⽰，但其内容⽆法读懂。C系统在处理这些⽂件时，并不区分类型，都看成是字符流，按字节进⾏处理。输⼊输出字符流的开始和结束只由程序控制⽽不受物理符号(如回车符)的控制。因此也把这种⽂件称作“流式⽂件”。
UCS-2编码(16进制)UTF-8 字节流(⼆进制)
0000 - 007F0xxxxxxx
0080 - 07FF110xxxxx 10xxxxxx
0800 - FFFF1110xxxx 10xxxxxx 10xxxxxx
问题⼀：
使⽤Windows记事本的“另存为”，可以在GBK、Unicode、Unicode big endian和UTF-8这⼏种编码⽅式间相互转换。同样是txt⽂件，Windows是怎样识别编码⽅式的呢？
我很早前就发现Unicode、Unicode big endian和UTF-8编码的txt⽂件的开头会多出⼏个字节，分别是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但这些标记是基于什么标准呢？
问题⼆：
最近在⽹上看到⼀个ConvertUTF.c，实现了UTF- 32、UTF-16和UTF-8这三种编码⽅式的相互转换。对于Unicode(UCS2)、 GBK、UTF-8这些编码⽅式，我原来就了解。但这个程序让我有些糊涂，想不起来UTF-16和UCS2有什么关系。
查了查相关资料，总算将这些问题弄清楚了，顺带也了解了⼀些Unicode的细节。写成⼀篇⽂章，送给有过类似疑问的朋友。本⽂在写作时尽量做到通俗易懂，但要求读者知道什么是字节，什么是⼗六进制。
0、big endian和little endian
big endian和little endian是CPU处理多字节数的不同⽅式。例如“汉”字的Unicode编码是6C49。那么写
到⽂件⾥时，究竟是将6C写在前⾯，还是将49写在前⾯？如果将6C写在前⾯，就是big endian。还是将49写在前⾯，就是little endian。
“endian”这个词出⾃《格列佛游记》。⼩⼈国的内战就源于吃鸡蛋时是究竟从⼤头(Big-Endian)敲开还是从⼩头(Little-Endian)敲开，由此曾发⽣过六次叛乱，其中⼀个皇帝送了命，另⼀个丢了王位。
我们⼀般将endian翻译成“字节序”，将big endian和little endian称作“⼤尾”和“⼩尾”。
1、字符编码、内码，顺带介绍汉字编码
字符必须编码后才能被计算机处理。计算机使⽤的缺省编码⽅式就是计算机的内码。早期的计算机使⽤7位的ASCII编码，为了处理汉字，程序员设计了⽤于简体中⽂的GB2312和⽤于繁体中⽂的big5。
GB2312(1980年)⼀共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围⾼字节从B0-F7，低字节从A1-FE，占⽤的码位是72*94=6768。其中有5个空位是D7FA-D7FE。
GB2312 ⽀持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的 GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏⽂、蒙⽂、维吾尔⽂等主要的少数民族⽂字。现在的PC平台必须⽀持GB18030，对嵌⼊式产品暂不作要求。所以⼿机、MP3⼀般只⽀持GB2312。
从ASCII、 GB2312、GBK到GB18030，这些编码⽅法是向下兼容的，即同⼀个字符在这些⽅案中总是有相同的编码，后⾯的标准⽀持更多的字符。在这些编码中，英⽂和中⽂可以统⼀地处理。区分中⽂编码的⽅法是⾼字节的最⾼位不为0。按照程序员的称呼，GB2312、GBK 到GB18030都属于双字节字符集 (DBCS)。
有的中⽂Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通⼈是很难⽤到的，通常我们还是⽤GBK指代中⽂Windows内码。
这⾥还有⼀些细节：
GB2312的原⽂还是区位码，从区位码到内码，需要在⾼字节和低字节上分别加上A0。
在DBCS中，GB内码的存储格式始终是big endian，即⾼位在前。
GB2312 的两个字节的最⾼位都是1。但符合这个条件的码位只有128*128=16384个。所以GBK和GB18030的低字节最⾼位都可能不是1。不过这不影响DBCS字符流的解析：在读取DBCS字符流时，只要遇到⾼位为1的字节，就可以将下两个字节作为⼀个双字节编码，⽽不⽤管低字节的⾼位是什么。
2、Unicode、UCS和UTF
前⾯提到从ASCII、GB2312、GBK到GB18030的编码⽅法是向下兼容的。⽽Unicode只与ASCII兼容（更准确地说，是与ISO-8859-1兼容），与GB码不兼容。例如“汉”字的Unicode编码是6C49，⽽GB码是BABA。
Unicode 也是⼀种字符编码⽅法，不过它是由国际组织设计，可以容纳全世界所有语⾔⽂字的编码⽅案。Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。UCS可以看作是"Unicode Character Set"的缩写。
根据全书(http: ///wiki/)的记载：历史上存在两个试图独⽴设计Unicode的组织，即国际标准化组织（ISO）和⼀个软件制造商的协会（）。ISO开发了ISO 10646项⽬，Unicode协会开发了Unicode项⽬。
在1991年前后，双⽅都认识到世界不需要两个不兼容的字符集。于是它们开始合并双⽅的⼯作成果，并为创⽴⼀个单⼀编码表⽽协同⼯作。从Unicode2.0开始，Unicode项⽬采⽤了与ISO 10646-1相同的字库和字码。
⽬前两个项⽬仍都存在，并独⽴地公布各⾃的标准。Unicode协会现在的最新版本是2005年的Unicode 4.1.0。ISO的最新标准是10646-
3:2003。
UCS规定了怎么⽤多个字节表⽰各种⽂字。怎样传输这些编码，是由UTF(UCS Transformation Format)规范规定的，常见的UTF规范包括
UTF-8、UTF-7、UTF-16。
IETF 的RFC2781和RFC3629以RFC的⼀贯风格，清晰、明快⼜不失严谨地描述了UTF-16和UTF-8的编码⽅法。我总是记不得IETF是Internet Engineering Task Force的缩写。但IETF负责维护的RFC是Internet上⼀切规范的基础。
3、UCS-2、UCS-
4、BMP
UCS有两种格式：UCS-2和UCS-4。顾名思义，UCS-2就是⽤两个字节编码，UCS-4就是⽤4个字节（实际上只⽤了31位，最⾼位必须为0）编码。下⾯让我们做⼀些简单的数学游戏：
UCS-2有2^16=65536个码位，UCS-4有2^31=2147483648个码位。
UCS -4根据最⾼位为0的最⾼字节分成2^7=128个group。每个group再根据次⾼字节分为256个plane。每个plane根据第3个字节分为 256⾏(rows)，每⾏包含256个cells。当然同⼀⾏的cells只是最后⼀个字节不同，其余都相同。
group 0的plane 0被称作Basic Multilingual Plane, 即BMP。或者说UCS-4中，⾼两个字节为0的码位被称作BMP。
将UCS-4的BMP去掉前⾯的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字节，就得到了UCS-4的BMP。⽽⽬前的UCS-4规范中还没有任何字符被分配在BMP之外。
4、UTF编码
UTF-8就是以8位为单元对UCS进⾏编码。从UCS-2到UTF-8的编码⽅式如下：
例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以肯定要⽤3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成⼆进制是：0110 110001 001001，⽤这个⽐特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。
读者可以⽤记事本测试⼀下我们的编码是否正确。
UTF -16以16位为单元对UCS进⾏编码。对于⼩于0x10000的UCS码，UTF-16编码就等于UCS码对应的16位⽆符号整数。对于不⼩于
0x10000的UCS码，定义了⼀个算法。不过由于实际使⽤的UCS2，或者UCS4的BMP必然⼩于0x100
00，所以就⽬前⽽⾔，可以认为UTF -16和UCS-2基本相同。但UCS-2只是⼀个编码⽅案，UTF-16却要⽤于实际的传输，所以就不得不考虑字节序的问题。
5、UTF的字节序和BOM
UTF -8以字节为编码单元，没有字节序的问题。UTF-16以两个字节为编码单元，在解释⼀个UTF-16⽂本前，⾸先要弄清楚每个编码单元的字节序。例如收到⼀个“奎”的Unicode编码是594E，“⼄”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”，那么这是“奎”还是“⼄”？
Unicode规范中推荐的标记字节顺序的⽅法是BOM。BOM不是“Bill Of Material”的BOM表，⽽是Byte Order Mark。BOM是⼀个有点⼩聪明的想法：
在UCS 编码中有⼀个叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF。⽽FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。
这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"⼜被称作BOM。
UTF -8不需要BOM来表明字节顺序，但可以⽤BOM来表明编码⽅式。字符"ZERO WIDTH NO-BREA
K SPACE"的UTF-8编码是EF BB
BF（读者可以⽤我们前⾯介绍的编码⽅法验证⼀下）。所以如果接收者收到以EF BB BF开头的字节流，就知道这是UTF-8编码了。Windows就是使⽤BOM来标记⽂本⽂件的编码⽅式的。
6、进⼀步的参考资料
本⽂主要参考的资料是 "Short overview of ISO-IEC 10646 and Unicode" (www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。
我还了两篇看上去不错的资料，不过因为我开始的疑问都到了答案，所以就没有看：
1. "Understanding Unicode A general introduction to the Unicode Standard" (/cms/scripts/page.php?
site_id=nrsi&item_id=IWS-Chapter04a)
2. "Character set encoding basics Understanding character set encodings and legacy encodings"
(/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)

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。