[oeasy]python0132_[专业选修]utf-8_unicode_transformation_format_8_编码方式
导读: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uni...
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
声明:本文内容由网友自发贡献,本站不承担相应法律责任。对本内容有异议或投诉,请联系2913721942#qq.com核实处理,我们将尽快回复您,谢谢合作!
若转载请注明出处: [oeasy]python0132_[专业选修]utf-8_unicode_transformation_format_8_编码方式
本文地址: https://pptw.com/jishu/3840.html