[oeasy]python0132_[专业选修]utf-8_unicode_transformation_format_8_编码方式

utf-8 回忆上次内容

• 上次再次输出了大红心<span style="color:red">♥</span>
• 找到了红心对应的编码
• 黑红梅方都对应有编码
• 原来的编码叫做 ascii️
• \u这种新的编码方式叫unicode
• 包括了 中日韩字符集等 各书写系统的字符集
• 但是有个问题
• 拜这个字
• 在字节中应该是b"\x62\xdc"两个字节

​

• 该如何理解b"\x62\xdc"这两个字节呢?🤔
• 究竟是"拜"
• 还是"bÜ"呢？

​

在文件系统中验证

• 首先进入 vi
• 然后在插入模式下写一个一
• 点击桌面上的sougo图表
• 在右下角的键盘位置选择中文
• 然后就可以输入中文了

​

• :%!xxd

​

• 一字
• 存储的状态是
• e4b880
• 三个字节
• 并不是unicode对应的
• 4e00
• 两个字节
• 我们还是得区分一下概念

字符集和字符集编码

• 字符集(Character-Set)是
• 指的是字符和序号之间的对应关系
• 函数是
• ord
• chr
• 字符集编码(Character-Set Encoding)
• 指的是把字符集里面的所有字符
• 放到计算机的字节里
• 函数是
• encode
• decode
• ascii、gb2312、BIG5
• 既是字符集
• 又是字符编码

​

• unicode如何呢？

unicode

• 一般来讲unicode是字符集
• 可以用ord和chr
• 但Unicode一般不做字符集编码

​

• 用字符集什么来进行字符编码呢？

utf-8

• utf-8 是一种可变长度的字符编码格式
• 有的时候 1 字节 利用他省空间
• 有的时候 2 字节 利用他很平衡
• 有的时候 3 字节 利用他范围广
• 再往后 利用的更是他范围广
• 这不就两方面好处都得到了么
• utf-8 的意思是
• Unicode Transformation Format – 8-bit

​

• 这和 unicode 到底有什么区别呢？

存储规则

• Unicode 是字符集
• Universal Coded Character Set
• 字符集：为每一个字符分配一个唯一的数字ID
• (学名为码位 / 码点 / Code Point / 字符的身份证号)
• 可以在 https://home.unicode.org/
• 找到每一个字符的唯一编码

• utf-8 是 字符集编码方案
• Unicode Transformation Format – 8-bit
• 编码规则：将「码位」转换为字节序列的规则(编码/解码 可以理解为 加密/解密 的过程)
• 而且读到字符之后
• 系统就知道这个到底是几个字节存储的

具体编码

• 那这个东西怎么具体存储和操作呢？

​

• 一(4E00) 在上图中
• 属于第三行的范围
• 从 0800-FFFF
• 所以三个字节
• 如下图套入模板

​

• 具体存储的状态呢？

具体字节状态

• :%!xxd

​

• 说明我们用的确实是utf-8编码
• 可以解码回来吗？

• utf-8 解码 E4B080 转化为 unicode 编码是 4E00
• 后面的 0a 是 换行LineFeed
• 或者叫做 NL(NewLine)
• 如果是两个一呢

动手

• 两个字符相同的

​

• 得到两个同样的三字节utf-8存储

​

• 以及最后的
• 0a 依然是 换行LineFeed
• 或者叫做 NL(NewLine)
• 可以在反汇编指令层面中看到么？😄

反编译

​

• :%!xxd
• 转化为字节码状态

​

• 汉字确实可以在字节码状态中观察到

编码解码

• 第一次编码
• 把汉字编码为 unicode
• 具体就是把 一 编码为 unicode 值 0x4e00这个编号
• 第二次编码
• 把 unicode 值编码为 utf-8 值
• 具体就是把 unicode 值 0x4e00 编码为 0xe4b880
• 可以落实到字节里

​

• 第一次解码
• 把 utf-8 解码为 unicode
• 具体就是把 utf-8 值 0xe4b880 解码为 0x4e00
• 把字节还原为序号
• 第二次解码
• 把 unicode 解码为汉字
• 具体就是把 0x4e00 解码为 一
• 找到序号对应的字符
• unicode编码是utf-8存储形式和具体汉字中间的桥梁

验证编码

• 原始字符串
• "一"
• 查看原始字符串utf-8编码
• "一".encode("utf-8")
• 给utf-8编码解码
• b"\xe4\xb8\x80".decode("utf-8")
• 先编码再解码
• "一".encode("utf-8").decode("utf-8")
• 先解码再编码
• b"\xe4\xb8\x80".decode("utf-8").encode("utf-8")

​

• b"\xe4\xb8\x80"是几个字节的类型呢？

字节序列类

• 前缀 b 表示 byte 字节
• 后面的是 bytes类型对应的 字节序列

​

• \x 是前缀
• b"\xe4\xb8\x80"是三个字节的序列

​

默认编码

• utf-8 是系统默认的编码格式
• 一般都是这种编码格式

​

• 这一个字符就对应三个字节
• 可以用长度来描述字符么？

字符长度

• len()函数
• 可以衡量出字符串的长度
• 也可以衡量出编码后字节序列的长度

​

• ascii[0,127] 字符 的长度
• 就是字节的长度
• 汉字呢？

汉字

• 字母a对应着一个字节
• 汉字一对应着三个字节

​

• 这个unicode的编码空间
• 究竟是怎么安排的呢？

排好座次

​

• 所有unicode字符 被分成了4档
• ascii
• 1 字节
• 后面的字符有可能用
• 2 字节
• 3 字节
• 4 字节

​0开头的

• ascii
• 英文字符和数字占据最大范围兼容
• 10开头的
• 2 字节
• 主要是拼音符号文字
• 拉丁
• 希腊
• 西里尔
• 等等
• 110开头的
• 3 字节范围内
• 首先是印度
• 然后是杂项
• 然后是符号
• 日文假名
• 然后是中日韩 CJK
• 11110开头的
• 4 字节
• 表情符号emoji😈
• 各种扩展集

极大扩展

• unicode字符集 开始逐渐流行
• utf-8所代表的存储编码也开始流行
• 一旦一种编码在世界上开始流行
• 他就会挤压其他的编码方式的生存空间
• 到了 2020 年 95%的网页使用 unicode 编码
• 到了 2021 已经达到了 97.4%
• 感觉这是全球化一体最终的编码方式

​

​

• https://w3techs.com/technologies/overview/character_encoding

字符大战终局

• 关于编码的世界大战

• 分久必合
• 最终的胜利者是unicode和utf-8
• 他们彼此也可以相互转化

相互转化

• unicode形式
• "\u4e00"
• 把unicode编码按照utf-8编码
• "\u4e00".encode("utf-8")
• 先把unicode编码为utf-8，再解码回unicode
• "\u4e00".encode("utf-8").decode("utf-8")
• 把utf-8编码解码回unicode编码
• b"\xe4\xb8\x80".decode("utf-8")
• 把utf-8编码先解码回unicode编码，再编码为utf-8
• b"\xe4\xb8\x80".decode("utf-8").encode("utf-8")
• 曾经掌握了 ascii 码和 ascii 字符的转化方法
• 也要掌握 unicode 和 utf-8 双向转化的方法

• gb2312系列又如何了呢？

gbk的演化

• 80年的gb2312
• 95年的gbk
• 05年有了gb18030

• 全称：国家标准 GB 18030-2005《信息技术中文编码字符集》
• 是中华人民共和国现时最新的内码字集
• 是 GB 18030-2000《信息技术信息交换用汉字编码字符集基本集的扩充》的修订版
• 有多少字符了呢？

字符集

• GB 18030 与 GB 2312-1980 和 GBK 兼容
• 共收录汉字<span style="font-size:80px">70244</span>个
• 与 utf-8 相同
• 采用多字节编码
• 每个字可以由 1 个、2 个或 4 个字节组成
• 编码空间庞大

• utf-8标准海纳百川
• GB18030用的人很少
• 但始终依然存在
• GB18030有什么作用呢？😄

乱码问题

• 有的时候还会遇到 gb18030 编码的文档
• 用 utf-8编码方式
• 打开 gb18030编码 的文件
• 就会乱码
• 这个时候可以在 vim 中使用命令
• :edit ++enc=gb18030
• 可以解决问题

​gb18030 用的人少

• 有用的人少的好处
• 如果只会用utf-8解码
• 那么gb18030本身就构成了加密系统
• 只有懂汉语并且懂编码才能看懂
• 不懂的话只能见到乱码
• 想要自动翻译都不行

总结

• 这次了解了unicode 和 utf-8
• unicode是字符集
• utf-8是一种可变长度的编码方式
• utf-8是实现unicode的存储和传输的现实的方式

• unicode让字符范围得到了极大扩展
• unicode到底还扩展出什么好玩的字符呢？🤔
• 我们下次再说！👋
• 蓝桥->https://www.lanqiao.cn/courses/3584
• github->https://github.com/overmind1980/oeasy-python-tutorial
• gitee->https://gitee.com/overmind1980/oeasypython