一、编码
1.1:内存和硬盘
- CPU: 从内存中读取程序的指令,然后解码并运行程序;
- 硬盘: 永久保存数据;
- 内存: 临时存储数据,任何程序运行都需事先加载到内存;
- 应用软件: 调用操作系统提供的接口;间接地使用计算机硬件,加载到内存中;
- 操作系统: 控制硬件,提供系统调用接口,加载到内存中;
1.2:文本编辑器存取文件的原理
例如(nodepad++,pycharm,word等),打开编辑器就可以启动一个进程,是在内存中的,所以在编辑器编写的内容也都是存放在内存中的,断电后数据就丢失了。因而需要保存在硬盘上,点击保存按钮或快捷键,就把内存中的数据保存到了硬盘上。在这一点上,我们编写的py文件(没有执行时),跟编写的其他文件没有什么区别,都只是编写一堆字符而已。
1.3:python解释器执行py文件的原理
例如python 、test.py:
第一阶段:python解释器启动,此时就相当于启动了一个文本编辑器;
第二阶段:python解释器相当于文本编辑器,去打开test.py,从硬盘上将test.py的文件内容读入到内存中;
第三阶段:python解释器执行刚刚加载到内存中的test.py的代码(在该阶段,即执行时,才会识别python的语法,执行到字符串时,会开辟内存空间存放字符串);
python解释器与文本编辑器相同点:python解释器是解释执行文件内容的,因而python解释器具备读py文件的功能,这一点与文本编辑器一样;
python解释器与文本编辑器不同点:文本编辑器将文件内容读入内存后,是为了显示/编辑,而python解释器将文件内容读入内存后,是为了执行(识别python的语法);
1.3:编码解释
计算机想要工作必须通电,高低电平(高电平即二进制数1,低电平即二进制数0),计算机只认识数字,让计算机读懂人类的字符就必须经过:字符---------(翻译过程)-------------数字,实际就是一个字符如何对应一个特定数字的标准,这个标准称之为字符编码。
1.一个python文件中的内容是由一堆字符组成的(python文件未执行时)
2.python中的数据类型字符串是由一串字符组成的(python文件执行时)
1.5:编码的发展史
阶段一:
- 现代计算机起源于美国,最早诞生也是基于英文考虑的ASCII;
- ASCII:一个Bytes代表一个字符(英文字符/键盘上的所有其他字符),1Bytes=8bit,8bit可以表示0-2**8-1种变化,即可以表示256个字符;
- ASCII最初只用了后七位,127个数字,已经完全能够代表键盘上所有的字符了(英文字符/键盘的所有其他字符);
- 后来为了将拉丁文也编码进了ASCII表,将最高位也占用了;
阶段二:
- 为了满足中文,中国人定制了GBK;
- GBK:2Bytes代表一个字符,为了满足其他国家,各个国家纷纷定制了自己的编码,日本把日文编到Shift_JIS里,韩国把韩文编到Euc-kr里;
阶段三:
- 各国有各国的标准,就会不可避免地出现冲突,结果就是,在多语言混合的文本中,显示出来会有乱码;
- 于是产生了unicode, 统一用2Bytes代表一个字符, 2**16-1=65535,可代表6万多个字符,因而兼容万国语言;
- 但对于通篇都是英文的文本来说,这种编码方式无疑是多了一倍的存储空间(二进制最终都是以电或者磁的方式存储到存储介质中的);
- 于是产生了UTF-8,对英文字符只用1Bytes表示,对中文字符用3Bytes;
阶段四:
- unicode:简单粗暴,多有的字符都是2Bytes,优点是字符--数字的转换速度快;缺点是占用空间大。
- utf-8:精准,可变长,优点是节省空间;缺点是转换速度慢,因为每次转换都需要计算出需要多长Bytes才能够准确表示。
- 内存中使用的编码是unicode,用空间换时间(程序都需要加载到内存才能运行,因而内存应该是越快越好)
- 硬盘中或网络传输用utf-8,保证数据传输的稳定性。
1: 所有程序,最终都要加载到内存,程序保存到硬盘不同的国家用不同的编码格式,但是到内存中我们为了兼容万国(计算机可以运行任何国家的程序原因在于此),统一且固定使用unicode, 2: 这就是为何内存固定用unicode的原因,你可能会说兼容万国我可以用utf-8啊,可以,完全可以正常工作,之所以不用肯定是unicode比utf-8更高效啊(uicode固定用2个字节编码 3:utf-8则需要计算),但是unicode更浪费空间,没错,这就是用空间换时间的一种做法,而存放到硬盘,或者网络传输,都需要把unicode转成utf-8, 4: 因为数据的传输,追求的是稳定,高效,数据量越小数据传输就越靠谱,于是都转成utf-8格式的,而不是unicode。
1.6:字符编码转换
- 文件从内存刷到硬盘的操作简称存文件
- 文件从硬盘读到内存的操作简称读文件
- 乱码:存文件时就已经乱码 或者 存文件时不乱码而读文件时乱码
ascii:数字,字母 特殊字符。 字节:8位表示一个字节。 字符:是你看到的内容的最小组成单位。 abc : a 一个字符。 中国:中 一个字符。 a : 0000 1011 unicode: 万国码 起初: a : 0000 1011 0000 1011 中: 0000 1011 0000 1111 升级: a : 0000 1011 0000 1011 0000 1011 0000 1011 中: 0000 1011 0000 1111 0000 1011 0000 1011 utf-8:最少用8位表示一个字符。 a: 0000 1011 欧洲: 0000 1011 0000 1011 亚洲中:0000 1011 0000 1011 0000 1011 gbk:国标 a: 0000 1011 中文:0000 1011 0000 1011 两个字节。
- 不同编码之间的二进制是不能互相识别的。
- 对于文件的存储,及传输不能是unicode的编码。
python3x int bool bytes:内部编码方式:(非unicode,utf-8,gbk.gb2312...) str : 内部编码方式unicode list dict tuple bytes:内部编码方式:(非unicode,utf-8,gbk.gb2312...)str : 内部编码方式unicode
对于字母
str:
- 表现形式:s1 = ‘alex‘
- 内部编码:unicode
bytes:
- 表现形式:s2 = b‘alex‘
- 内部编码:非unicode
对于中文
str:
- 表现形式:s1 = ‘中国‘
- 内部编码:unicode
bytes:
- 表现形式:b1 = b‘\xe4\xb8\xad\xe5\x9b\xbd‘
- 内部编码:非unicode
例子:
unicode和utf-8之间的转换:
s1 = ‘alex‘ #将alex从unicode编码转换为utf-8 b1 = s1.encode(‘utf-8‘) print(b1) #输出结果: b‘alex‘
s1 = ‘alex‘ b1 = b‘alex‘ print(s1.capitalize()) print(b1.capitalize()) #输出结果: Alex b‘Alex‘
s2 = ‘中国‘ b2 = s2.encode(‘utf-8‘) print(b2) #输出结果: b‘\xe4\xb8\xad\xe5\x9b\xbd‘
unicode----->utf-8------>unicode
s1 = ‘alex‘ # str ---> bytes encode 编码 b1 = s1.encode(‘utf-8‘) print(b1) #bytes---> str decode 解码 s2 = b1.decode(‘utf-8‘) print(s2) #输出结果: b‘alex‘ alex
Unicode、gbk、utf-8之间的转换:
s1 = ‘alex‘ b2 = s1.encode(‘gbk‘) s3 = b2.decode(‘gbk‘) print(b2) print(s3) #输出结果: b‘alex‘ alex
s1 = ‘alex‘ b1 = s1.encode(‘utf-8‘) s2 = b1.decode(‘gbk‘) print(s2) #输出结果: alex
utf-8、gbk之间的转换
s4 = ‘中国‘ b4 = s4.encode(‘utf-8‘) # utf-8 bytes print(b4) b6 = b4.decode(‘utf-8‘).encode(‘gbk‘) print(b6) #输出结果: b‘\xe4\xb8\xad\xe5\x9b\xbd‘ #bytes类型的utf-8一个中文3个字节 b‘\xd6\xd0\xb9\xfa‘ #bytes类型的gbk一个中文2个字节
二、文件
原文地址:https://www.cnblogs.com/bingo1024/p/9064138.html