用“讲故事”的方式，带你认识 Python 编码问题的起源和发展！

问题起源

我们在学习Python的过程中，可能会经常遇到下方这样的编码问题。有时候我们需要选择gbk，有时候需要选择utf-8。你以为这样就完了吗？我们碰到的还有gb2312，gb18030等各种奇奇怪怪的编码。那么，编码的起源究竟是怎样的呢？我们今天就用“讲故事”的方式，带你认识一下它。

在正式讲故事之前，我们先来看一下下方这张图，我们暂且称其为《烽火士兵》的故事，那么这个故事究竟是怎么与编码问题扯上联系的呢？接着听我讲故事。

点燃第1根，代表有一个士兵，点燃第2根，代表有二个士兵。那么也就是说，点燃2个烽火，最多可以表示三个士兵。梳理一下逻辑，1个烽火都不点，表示有零个士兵；只点燃第1个烽火，就表示有一个士兵；在点燃第2个烽火的时候，熄灭第1个烽火，就表示有二个士兵；同时点燃2个烽火，就表示有三个士兵。

综上所述：2根烽火，可以表示：0、1、2、3个士兵，即1+2。3根烽火，可以表示：0、1、2、3、4、5、6、7个士兵，即1+2+4。依此类推下去…

通过上面的叙述，你可能已经发现了，这不就是类似计算机里面的二进制数字吗？只有0和1，0表示熄灭烽火，1表示点燃烽火。对应到计算机中就是，0表示关，1表示开。下面黄同学就带着大家说一下“计算机中的0和1”。

计算机的底层是电路，只认识0和1，就是你初中物理中所谓的“电路”，0表示关，1表示开，没有别的玩意儿。但是你想呀，一个电路只有0和1的话，怎么展示出这绚丽多彩的世界呢？因此，聪明的老外，把日常所用的文字和符号，编码成0101010…类型，这样电脑就能够表示文字了。所以，先记住一个关键语：“用什么编码，就用什么解码”。

由于，计算机是由美国人发明的。因此，最早的计算机编码：ASCII码(也是服务于美国人的)，里面只有美国人日常所用的26个英文字母、数字、标点等常用字符，所以，最早的计算机也只有英文、数字、标点等特殊字符。不要惊叹为啥只有美国人常用的英文字母和符号，因为老美当时就没有想过计算机会迅速在全世界普及开来，谁也不能提前预知未来。

接着我们来说说最早的计算机编码：ASCII码。ASCII码占8个比特位，也就是一个字节，其中最前面一个位是扩展位，都是0，为了日后扩展所用，其余位置不是0就是1。这是由于计算机对数字7不敏感，熟悉2、4、8、16、32...等数字，所以扩展了一位，成了8位。那么根据排列组合的知识，ASCII码可以表示2^7=128个码位，即可以表示128种不同的符号，其实这些符号已经够美国人使用了。这就是当时最早的计算机编码(ASCII码)，这就是当时老美的打算。

随着计算机在世界各地的发展，我们发现原有的码位已经不够存放多国的文字和符号了，为了讲清楚这件事儿，我们以计算机在中国的发展为例，进行说明。

通过前面的叙述，我们已经知道最早的字符编码ASCII码中，并没有中文，但是随着计算机在中国的普及，我们必要要让计算机中能够表示中文呀，怎么办呢？基于此：中国北大方正团队，发明了gbk编码。但是这些字符肯定不能直接往ASCII码里面放，因为ASCII只有8位，最多才有2^8=256个空位，存放九万多汉字，显然不可能(就连中文中常用的3000汉字，也存放不了)。所以在gbk中，汉字用2个字节表示，变成了ASCII码中字节长度的2倍，即gbk占16位，共2^16=65536个空位，这个对于存放常用汉字，多得多，但是，仍然不能将所有汉字存放进去，谁让中华文化源远流长，博大精深呢。

说到gbk，就不得不说它的兄弟姐妹了(如图所示)，其实它们是一个系列，都是由于当时的需要，逐步衍生出来的，这三种不同的编码都是向上兼容的。可以看出：GB18030表示的字符数最多，这也就是为什么有时候使用Python读取Excel表时，使用GB2312和GBK都不行，而必须使用GB18030的原因了。

计算机不仅在中国发展开来，其实计算机是在全世界迅速发展开来。如果说中国有自己独有的GBK编码，那么韩国、日本肯定也有它们自己独有的编码。但是当今是“经济全球化”的时代，任何一个国家都不可能的单独发展，假如你有一个国际合作的业务，我们在中国写的代码，要是想拿到国外去用，出现乱码，这样多尴尬？那么这个问题最终是怎么解决的呢？

为此，美国人又发明了一个叫做“Unicode”的东西，又叫做“万国码”。其实完全可以见名知意，万国码万国码，肯定是为了包含全世界的字符编码！那么什么是万国码呢？接着听黄同学给你讲。

我们知道：计算机扩展一般是成倍增加的，要么是1个字节、2个字节、4个字节......。最开始的Unicode，又叫ucs-2，ASCII存储采用1个字节，因此ucs-2采用2个字节进行存储，最多有2^16=65536个空位，这样仍然无法兼容全世界的字符。于是ucs-4产生了，存储采用4个字节，共2^32=4亿多个空位。但是据统计，全世界文字、数字、符号信息加起来也就23万，对于4亿多空间来说，ucs-4简直太浪费空间了，这个对于文件传输来说，及其浪费流量。

考虑到节省空间，在Unicode基础上，我们又发明了utf-8，一种可变长的Unicode字符编码。Utf-8，对于英文来说，采用ASCII码占位方式，占8位，即1个字节；存放欧洲文字时，占16位，即2个字节；存放中文时，占24位，即3个字节。虽然对于中文来说很浪费空间，但是为了能把全世界文字都统一起来，又为了节省空间，采用这种方式，已经很好了(因为毕竟不可能做到面面俱到，谁让中国字符最多，会吃亏一点)。

编码知识总结

① 关于Python2和Python3的区别

在Python2中，默认字符编码是ASCII码，因此在Python2中写中文，首行一般都会加上-- coding:utf-8 --，看了这篇文章，我想你对这个东西已经有了一个清楚的认识。但是Python2现在已经停止更新了，我们了解即可，不用太关注。

对于Python3.x来说，默认字符编码是utf-8，而utf-8是Unicode的扩展集。即Python3.x中默认所有的字符都是Unicode。说白点，我们在Python3.x中随便写点啥，编码就是Unicode编码。

对比Python2和Python3：

# 在Python2中如果要表示Unicode编码，应该这样写。
my_name = u"黄伟"
# 在Python3中如果要表示Unicode编码，应该这样写。
my_name = "黄伟"

说到这里，我们可以下一个结论：不同编码之间的转换，都要经过一个Unicode。

② encode编码和decode解码

>>> name1 = "我是你们的teacher老师"
>>> name2 = "你们是我的student学生"
>>> # 将name1编码为“utf-8”
>>> name1_encode = name1.encode("utf-8")
>>> name1_encode
b'xe6x88x91xe6x98xafxe4xbdxa0xe4xbbxacxe7x9ax84teacherxe8x80x81xe5xb8x88'
>>> # 将name1_encode解码还原
>>> name1_encode.decode("utf-8")
'我是你们的teacher老师'
---------------------------------------------------------
>>> # 将name2编码为“gbk”
>>> name2_encode = name2.encode("gbk")
>>> name2_encode
b'xc4xe3xc3xc7xcaxc7xcexd2xb5xc4studentxd1xa7xc9xfa'
>>> # 将name2_encode解码还原
>>> name2_encode.decode("gbk")
'你们是我的student学生'
-------------------------------------------------
>>> # name1_encode此时是“utf-8”编码，如果用“gbk”解码，会出现什么？
>>> name1_encode.decode("gbk")
'鎴戞槸浣犱滑鐨則eacher鑰佸笀'
# 上面就是我们常说的乱码、乱码、乱码！

代码分析：从代码中可以看出，如果是utf-8编码，每个中文字符就是3个字节存储。如果是gbk编码，每个中文字符就是2个字节存储。

崔庆才

静觅博客博主，《Python3网络爬虫开发实战》作者

隐形字

个人公众号：进击的Coder

长按识别二维码关注