2.3、编码
编码是把信息从一种形式或格式转换为另一种形式或格式的过程，也称为计算机编程语言的代码，简称为编码。在编码时用预先规定的方法将文字、数字或其他对象编成数码，或将信息、数据转换成规定的电脉冲信号。编码在电子计算机、电视、遥控和通信等方面广泛使用。另外，解码是编码的逆过程。
2.3.1、字符编码
计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字。因为最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以一个字节能表示的最大的整数就是255（二进制11111111=十进制255）。如果要表示更大的整数，就必须使用更多的字节。比如，两个字节可以表示的最大整数是65535，4个字节可以表示的最大整数是4294967295。
又因为计算机是美国人发明的，所以最早只有127个字母被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表称为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。但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以中国制定了GB2312编码，用来把中文编进去。概括下来，在计算机系统中常用的编码格式如下所示。
· GB2312编码：适用于汉字处理、汉字通信等系统之间的信息交换。
· GBK编码：是汉字编码标准之一，是在GB2312-80标准基础上的内码扩展规范，使用了双字节编码。
· ASCII编码：是对英语字符和二进制之间的关系做的统一规定。
· Unicode编码：这是一种世界上所有字符的编码，当然，它没有规定的存储方式。
· UTF-8编码：是UnicodeTransformationFormat-8bit的缩写，UTF-8是Unicode的一种实现方式。它是可变长的编码方式，可以使用1～4个字节表示一个字符，可以根据不同的符号而变化字节长度。
2.3.2、Unicode编码和UTF-8编码
可以想象一下，全世界有上百种语言，如果日本人民把日文编到Shift_JIS里，韩国人民把韩文编到Euc-kr里，各国有各国的标准，就会不可避免地出现冲突。这样造成的结果就是，在多语言混合的文本中，显示出来会有乱码。此时Unicode编码格式便应运而生。Unicode编码把所有语言都统一到一套编码里，这样就不会再有乱码问题了。
Unicode标准也在不断发展，但最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）。现代操作系统和大多数编程语言都直接支持Unicode编码格式。下面看一看ASCII编码和Unicode编码的区别，ASCII编码是1个字节，而Unicode编码通常是两个字节。下面给出几个示例。
· 字母A用ASCII编码是十进制的65，二进制的01000001。
· 字符0用ASCII编码是十进制的48，二进制的00110000，注意，字符'0'和整数0是不同的。
如果把ASCII编码的A用Unicode编码表示，只需要在前面补0就可以，因此，A的Unicode编码是0000000001000001。那么新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。所以，本着节约的精神，又出现了把Unicode编码转化为"可变长编码"的UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1～6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4～6个字节。如果你要传输的文本包含大量英文字符，使用UTF-8编码就能节省空间。例如，表2-1所示的对比。
从表2-1的对比还可以发现，UTF-8编码有一个额外的好处，就是ASCII编码实际上可以被看成UTF-8编码的一部分，所以，大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。
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。举个例子，当用记事本编辑的时候，从文件读取的UTF-8字符被转换为内存中的Unicode字符，编辑完成后，当保存的时候再把Unicode转换为UTF-8保存到文件中，具体过程如图2-4所示。
当浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器，具体过程如图2-5所示。
所以读者看到很多网页的源码上会有类似<metacharset="UTF-8"/>的信息，表示该网页正是用的UTF-8编码格式。
2.3.3、Python中的编码
在默认情况下，Python源码文件以UTF-8格式进行编码，所有字符串都是Unicode字符串。当然，开发者也可以为源码文件指定不同的编码，具体格式如下所示。
#code:编码格式
例如，下面的代码将当前源文件设置为"GB2312"编码格式。
#code:GB2312
因为Python只会检查#、coding和编码字符串，所以读者可能会见到下面这样的声明方式，这是开发者出于美观等原因才这样写的。
#-*-coding:UTF-8-*-
当在Python中使用字符编码时，经常会使用到decode函数和encode函数。特别是在抓取网页应用中，这两个函数用熟练非常有好处。其中encode的功能是把我们看到的直观的字符转换成计算机内的字节形式。而函数decode刚好相反，把字节形式的字符转换成我们看得懂的、直观的形式。例如，下面的代码演示了函数的用法。
>>>'ABC'.encode('ascii') b'ABC' >>>'中文'.encode('utf-8') b'\xe4\xb8\xad\xe6\x96\x87' |
相关阅读：
版权声明：51Testing软件测试网获人民邮电出版社和作者授权连载本书部分章节。
任何个人或单位未获得明确的书面许可，不得对本文内容复制、转载或进行镜像，否则将追究法律责任。
