Python中文乱码详解.doc

《Python中文乱码详解.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、Python中文乱码详解本文目的为Python程序员简练地介绍字符编码相关支持，彻底解疑“Python中文乱码”，“Python2与Python3字符编码差异”等相关问题。使用其他语言的程序员可作参考，道理都是相通的，不过具体处理方式不同罢了。痛苦的根源·起因计算机不能直接识别字符（文本的最小组成单位）。·字形：字的形状，又叫字图。文字的抽象形状，“小短横线”就是汉字“一”的字形。·字符：抽象符号和数字成对编码用于在计算机系统中表示的信息单位。虽然字符本身是抽象的，但它一旦存在于计算机系统中，它就对应了某种特定

2、字符编码方式。字符“一”在GBK编码中是0xD2BB。·字体：字的形体。草书、行书、楷书，都叫字体。计算机中的字体如：华文行楷，微软雅黑。·解决办法但是计算机可以识别二进制数，于是采用一个二进制数来指代一个字符。·结果很多人都想到了这个解决办法。比如拉丁字母，他们想到了用十进制65来表示字符’A’。不同国家或者不同组织，他们因为事先没有商量，都用了同一个整数来表示他们自己国家里的某个文字。在不相互沟通的时候相安无事，但相互沟通时，就出现了问题。编码与解码先记住，任何信息，存放在存储介质中时，都是二进制流（比特流

3、）。·编码过程：字符转换成二进制流表示的过程。·解码过程：二进制流转换成字符的过程。·编码规则：编码和解码过程中遵循的规则，例如GBK编码，UTF-8编码。字符编码的来龙去脉ASCII美国信息交换标准代码，最早的通用编码方案。开始时，只用7个比特位就表示完了所有拉丁文字母和一些符号，共128个。后来发现不够用，又启用了第8位，刚好一个字节的长度，共256个字符。但是，不同的公司/组织把这扩展出来的128个码位指派给了不同的字符，文档交流就困难了。于是ANSI这个组织站出来了，制定了ANSI标准。而且人们也发现，

4、ASCII这种单字节（因为它占8个比特位）编码满足不了更多的字符需求，那必须得用多个字节编码。多字节字符集（MBCS）概念就诞生了。ANSI美国国家标准协会认可的标准。注意，它是一种标准，而不是某种具体编码，可以看做是编码的一种分类。ANSI的标准就是，ASCII码占用的码位及其所指代的字符不许改变，剩下的自己扩展。中国人在这个规定上有自己的扩展（如GBK），英国人也有自己的扩展（如ISO-8859-1,即latin-1）。所以ISO-8859-1和GBK都可以称之为ANSI编码，因为它们符合ANSI规定。以W

5、indows系统为例，中文系统中所指的ANSI编码就是GBK，英文系统中的ANSI编码就是ISO-8859-1。MBCS多字节字符集(Multi-ByteCharacterSet)，采用不定长度可以是一个字节，也可以是两个字节，也可以是三个字节来进行编码。大多数情况下2个字节就够用了，汉字就分配两个字节，称之为DBCS（Double-ByteChactacterSet）。在Linux系统中看得到MBCS说法，在Windows中呢？其实就是ANSI，ANSI只规定了第一个字节的位置是ASCII，超出这个范围的，肯

6、定也是多字节的了。CodePage代码页，把一种字符编码方式（和字符集有区别，稍后讲解）放在一个CodePage上，编码解码就像翻书查字典似的。很多个代码页，也就容纳了很多种编码方式。这个概念最早来自IBM，但也被微软等公司采用。同一种编码方式，在不同的公司制定的CodePage里“页码”也不相同。比如UTF-8，在微软的CodePage里是65001，在IBM里是1208。注意：MBCS、DBCS、CodePage、ANSI，它们各自指代的不是某种具体编码，而是符合某种规则的编码方式的统称。在不同的操作系统或

7、平台下，它们有一个默认值而已。PS：微软的CP936不等于GBK，它们有几十个不太常用的字符不同。所以绝大多数情况下感觉不到差异。Unicode/UCS通过以上的介绍知道，各种解决方案都是各自为政，解决不了 “同一个系统中同时显示全宇宙的所有字符” 这个问题。于是就有两个组织，他们开始着手做这件事情，UCS和Unicode诞生了。·通用字符集（UCS，UniversalCharacterSet）是由国际标准化组织（ISO）制定的ISO10646标准所定义的字符集。通常也译为通用多八位编码字符集。·统一码（Uni

8、code）是由统一码联盟指定的。后来发现，一山不容二虎，世界人民不需要两个目的相同但是具体实现却有差异的编码方案。UCS和Unicode握手言和，从Unicode2.0起，采用了和ISO10646-1的编码方案，它们在相同的码位上都对应同样的字符。尽管这两个组织目前还在相互独立的在发布字符编码标准。可能是Unicode名字好记，所以采用更为广泛。关于UCS-2，UCS-4这些概念不再赘