字符与编码

没有接触过编程的同学，可能对编码没有太多的概念，从而会在编程中碰到一些自己无法理解的问题

这里给大家普及一下编码的概念

计算机是怎么存储信息的？

计算机其实只会做加减法，我们看到的视频，听到的音乐，其实都是加减法运算后的结果，乘法，除法都可以通过加减法实现，加减法运算只能对数字进行运算。在我们生活中，通常都使用十进制，也有十二进制(生效，12小时制)，七进制(周)，等等。所以十进制并不是唯一的，可以根据需要选择进制。

计算机是由各种芯片组成的系统，使用电来驱动，通过有电没电来记住状态，因此它只有两个状态，表示为1与0，要使用这两种状态来表示数字的话，就是二进制了，二进制逢二进一

二进制与十进制对比：

二进制	十进制
0	0
1	1
10	2
11	3
100	4
101	5
110	6
111	7
1000	8
1001	9

 

那么如何表示字符？

现在假设有这么一个对照表

编号	含义
1	我
2	你
3	他
4	爱
5	恨
6	打
7	？
8	.
9	!

在这个表中，每个字都对应一个编号，那么我们可以通过编号来表达意思

1437 - 查编号就可以知道这一句的意思是：我爱他？

2519 - 查编号就可以知道这一句的意思是：你恨我！

这种将字符编成一组数字的过程就是编码，如果把编码顺序改变，那表达的意思也不一样，所以计算机的编码有一些统一的编码规范

 

ASCII码

ascii码可以说计算机的编码基础了，它规定了英文字符，数字字符，以及一些其他符号的编码，由IBM公司完成最后的编制工作，编制编码的时候，计算机还比较原始，内存是8位的，因此也只能用八位二进制来表示：0000 0000 ～ 1111 1111 (0～127)，因此能表示128个字符

图中的高4位是指 XXXX 0000中的XXXX部分，低四位是指 0000 XXXX中的XXXX部分

0000 0000 ～ 0000 1111 高4位为0 低4位从0～15

0001 0000  ～ 0001 1111 高4位为1 低4位从0～15

依此类推。

 

Python提供的ASCII码相关的函数

可以在python中查看某个字符的ascii编码，或者根据数字查看这个数字代表的ascii字符

# 查看字符a的编码
ord("a")

# 查看大写字符A的编码
ord("A")

# 根据编码数字获得字符字面值
chr(97)
chr(122)

 

汉字编码

汉字就不是128个字符能解决的事情了，常用的就有3000个，所以八位二进制根本解决不了，那么可以通过多个八位组成，作为传承，每八位作为一个字节，如果16位就称为二个字节长，如果是24位就称为三个字节长

汉字常用的编码有GB2312， GBK， UTF8编码

汉字编码规则是两个字节，也就是16位，能表达65536个字符，这种通过两个字节编码的方案称为 ANSI 编码，又称为"MBCS（Muilti-Bytes Charecter Set，多字节字符集）"
其他韩文，日文都有自己的类似的编码，中文的编码名称为GB2312，由6763个常用汉字和682个全角的非汉字字符组成。其中汉字根据使用的频率分为两级。一级汉字3755个，二级汉字3008个。

中文的另一个编码方案是GBK，K就是扩展的意思，用于解决人名、古汉语等方面出现的罕用字。

在繁体中文区域，使用Big5编码，在以前玩台湾的游戏，会出现乱码现象，就是因为Big5与GB2312不是同一套编码原因。

编码的全球化

随着全球化进程，各国的文字都需要编码，如果继续维护各自的编码就容易出现乱码现象，比如说gb2312的网页，如果在台湾地区使用big5打开，就是乱码，不能正常显示，需要选择正确的编码，这样就容易出错，比较繁琐。

在这种情况下，出现了unicode编码

Unicode编码

Unicode使用四个字节表示一个字符，涵盖了全世界的文字字符，当用unicode编码表达ascii码时，就会空闲很多位，这就造成内存的浪费，所以效率不高，所以又发展出了UTF-8编码

UTF-8编码

utf-8编码或者utf8编码是Unicode编码的一种可变长度实施方案
在utf-8中，字符不同，长度也不同
ascii字符 使用一个字节长度
欧洲字符 使用二个字节长度
中文字符 使用三个字节长度
从而提高了内存使用效率
python3环境下默认就是utf-8编码
UTF-8中的8表示最少8位，另外还有utf-16，utf-32表示最少16位，最少32位

BASE64编码

另外还有一种编码为BASE64编码，用于网络中传输数据，这在课程的api接口中有专门的介绍