python字符串和编码

计算机只能处理数字，如果要处理文本就必须把文本转换为数字才能处理。最早的计算机采用8个比特(bit)作为一个字节（byte）,所以一个字节表示的最大整数为255（二进制11111111=十进制255），以及要表示更的整数就要用更多的字节。二个字节的最大整数为65535.

由于计算机是由美国发明的，最初只有127个字母编码到计算机里面，也就是大小写英文字母，数字，和一些符号。这个编码成为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122.

但是要处理中文一个字节显然是不够的，至少要俩个字节，而且还不能和ASCII编码冲突，所以中国制定了GB2312编码，把中文编码进去。

世界上有上百种语言，各国有各国的编码方式，不免出现冲突，出现乱码。因此Unicode应运而生，Unicode把所以语言都统一到一套编码里面。就不会再出现乱码问题。

Unicode常用俩个字节表示一个字符(如果遇到非常偏僻的就需要4个字节)。现在操作系统和大多数编程语言都支持Unicode.

Unicode一般都是俩个字节，而ASCII一般都是一个字节。

字母A 用ASCII的十进制编码是65.二进制是01000001 Unicode是00000000 01000001。

所以如果你写的文章全是英文的话，用Unicode编码比ASCII多一倍的存储空间，在存储和传输上就十分不划算。

所以出现了把Unicode编码转化为’可变长编码’的UTF-8编码，UTF-8编码把一个Unicode编码根据不同的数字大小编码成1-6字节。英文字母为3个字节，汉字通常是6个字节。

很生僻的字符被编成4-6个字节。

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。

用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件：

例如：





Python中的字符串：

在python3中字符串是以Unicode编码的。也就是说Python支持多种语言。

print('包含中文的str')
#输出
包含中文的str

对于单个字符的编码，Python提供了ord()函数获取字符的整数表示，chr()函数把编码转换为对应的字符。

>>>ord('A')
65
>>>ord('中')
20013
>>>chr(66)
'B'
>>>chr(25991)
'文'
>>>'\u4e2d\u6587'#十六进制的str
中文

Python的字符串类型是str,在内存中以Unicode表示，一个字符占了若干字节。如果在网络上传输，或者保存到磁盘上，就需要把str变成以字节为单位的bytes.

以Unicode表示的str通过encode()方法可以编码为指定的bytes

例如：

>>>'ABC'.encode('ascii')
b'ABC'
>>>'中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'

反过来我们冲网路或磁盘上读取字节流，读到的数据就是bytes,要把bytes转化为str.

例如：

>>>b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
中文

len()函数计算的是str的字符数。如果换成bytes，len()函数计算字节数

>>>len(b'ABC')
3
>>>len('中文')
2

由于Python源代码也是一个文本文件，所以，当你的源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上这两行：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

第一行注释是为了告诉Linux/OS X系统，这是一个Python可执行程序，Windows系统会忽略这个注释；

第二行注释是为了告诉Python解释器，按照UTF-8编码读取源代码，否则，你在源代码中写的中文输出可能会有乱码。

申明了UTF-8编码并不意味着你的.py文件就是UTF-8编码的，必须并且要确保文本编辑器正在使用UTF-8 without BOM编码.

参考资料：http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001431664106267f12e9bef7ee14cf6a8776a479bdec9b9000