一、字符編碼基礎
字符編碼是計算機對字符的格式化，從而能夠在計算機系統中存儲與傳輸。
1.ASCII碼
在計算機內部，所有的信息最終都表示爲一個二進制的字符串。每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出 256種狀態，這被稱爲一個字節（byte）。也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從 0000000到11111111。
上個世紀60年代，美國製定了一套字符編碼，對英語字符與二進制位之間的關係，做了統一規定。這被稱爲ASCII碼，一直沿用至今。ASCII碼一共規定了128個字符的編碼，比如空格“SPACE”是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只佔用了一個字節的後面7位，最前面的1位統一規定爲0。
2.非ASCII編碼
英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用ASCII碼錶示。 於是，一些歐洲國家就決定，利用字節中閒置的最高位編入新的符號。比如，法語中的é的編碼爲130（二進制10000010）。這樣一來，這些歐洲國家使 用的編碼體系，可以表示最多256個符號。
但是，這裏又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼 中代表了é，在希伯來語編碼中卻代表了字母Gimel (ג)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0—127表示的符號是一樣的，不一樣的只是128—255的這一段。
至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。 比如，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示256x256=65536個符號。
3.Unicode
世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。爲什麼電子郵件常常出現亂碼？就是因爲發信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母 Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字“嚴”。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。
Unicode的問題
需要注意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。比如，漢字“嚴”的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符號的表示至少需要2個字節。表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。這裏就有兩個嚴重的問題，第一個問題是，如何才能區別unicode和ascii？計算機怎麼知道三個字節表示一個符號，而不是分別表示三個符號 呢？第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果unicode統一規定，每個符號用三個或四個字節表示，那麼每個英文字母前都必 然有二到三個字節是0，這對於存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。它們造成的結果是：
1）出現了unicode的多種存儲方式，即有許多種不同的二進制格式，可以用來表示unicode。
2）unicode在很長一段時間內無法推廣，直到互聯網的出現。
4.UTF-8
互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其他實現方式還包括UTF-16和UTF-32，不過在互聯網上基本不用。重複一遍，這裏的關係是，UTF-8是Unicode的實現方式之一。
UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。UTF-8的編碼規則很簡單，只有二條：
1）對於單字節的符號，字節的第一位設爲0，後面7位爲這個符號的unicode碼。因此對於英語字母，UTF-8編碼和ASCII碼是相同的。
2）對於n字節的符號（n>1），第一個字節的前n位都設爲1，第n+1位設爲0，後面字節的前兩位一律設爲10。剩下的沒有提及的二進制位，全部爲這個符號的unicode碼。下表總結了編碼規則，字母x表示可用編碼的位。
下面，還是以漢字“嚴”爲例，演示如何實現UTF-8編碼。
已知“嚴”的unicode是4E25（100111000100101），根據上表，可以發現4E25處在第三行的範圍內（0000 0800-0000 FFFF），因此“嚴”的UTF-8編碼需要三個字節，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然後，從“嚴”的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就得到了，“嚴”的UTF-8編碼是 “11100100 10111000 10100101”，轉換成十六進制就是E4B8A5。
5.Windos下Unicode與UTF-8之間的轉換
在Windows平臺下，有一個最簡單的轉化方法，就是使用內置的記事本小程序Notepad.exe。打開文件後，點擊“文件”菜單中的“另存爲”命令，會跳出一個對話框，在最底部有一個“編碼”的下拉條。
裏面有四個選項：ANSI，Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默認的編碼方式。對於英文文件是ASCII編碼，對於簡體中文文件是GB2312編碼（只針對Windows簡體中文版，如果是繁體中文版會採用Big5碼）。
2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個字節存入字符的Unicode碼。這個選項用的little endian格式。
3）Unicode big endian編碼與上一個選項相對應。我在下一節會解釋little endian和big endian的涵義。
4）UTF-8編碼，也就是上一節談到的編碼方法。
選擇完”編碼方式“後，點擊”保存“按鈕，文件的編碼方式就立刻轉換好了。
其中：Little endian和Big endian：
Unicode碼可以採用UCS-2格式直接存儲。以漢字”嚴“爲例，Unicode碼是4E25，需要用兩個字節存儲，一個字節 是4E，另一個字節是25。存儲的時候，4E在前，25在後，就是Big endian方式；25在前，4E在後，就是Little endian方式。
計算機怎麼知道某一個文件到底採用哪一種方式編碼？
Unicode規範中定義，每一個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫做”零寬度非換行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個字節，而且FF比FE大1。如果一個文本文件的頭兩個字節是FE FF，就表示該文件採用大頭方式；如果頭兩個字節是FF FE，就表示該文件採用小頭方式。
--------------------------------------------------------------------------------------
二、python中的中文編碼
1.python中的unicode、str和print
unicode，一般指unicode對象，例'哈哈'的unicode對象爲u'/u54c8/u54c8'
str，是一個字節數組，這個字節數組表示的是對unicode對象(可以是utf-8、gbk、cp936、GB2312)編碼後的存儲的格式。這裏它僅僅是一個字節流，沒有其它的含義，如果你想使這個字節流顯示的內容有意義，就必須用正確的編碼格式來解碼顯示
print,語句print的的實現是將要輸出的內容傳送給操作系統，操作系統會根據系統的編碼對輸入的字節流進行編碼
2.unicode、str和print之間的轉換
我們以中文“哈哈”爲例，“哈哈”的編碼如下：
<1>定義一個字符串變量test = '哈哈'，並查看在計算機中的存儲：
![]()
我們已經看到，'哈哈'在計算機中按照某種編碼方式存儲了下來，而在print的時候，print函數對存儲的test進行了默認編碼輸出。
<2>將test進行str操作：
![]()
與<1>相同，可見str只是對test編碼後的一個存儲格式。
<3>將test進行gbk編碼
![]()
test的存儲形式發生了變化，這是因爲不同編碼方式造成的
<4>將test進行utf-8編碼
![]()
這時發生了錯誤，於是我們進行了以下測試：
![]()
![]()
由此看到，
(1)我們無法直接對test進行utf-8的編碼，而需要經過對其特定編碼之後纔可以完成utf-8的編碼，這是因爲在python中str和unicode在編碼和解碼過程中，如果將一個str直接編碼成另一種編碼，會先把str解碼成unicode，採用的編碼爲默認編碼，一般默認編碼是anscii，所以在上面示例代碼中第一次轉換的時候會出錯，當設定當前默認編碼爲'gbk'後，就不會出錯了。當然，我們也可以把這個默認編碼給改了，如下：
![]()
(2)由於在對test進行utf-8編碼之後，print語句將要輸出的內容('/xe5/x93/x88/xe5 /x93/x88')傳送了操作系統，操作系統會根據系統的編碼對輸入的字節流進行編碼，從而輸出的是“鍝堝搱”（注：'/xe5/x93/x88/xe5 /x93/x88'用GB2312去解釋，其顯示的出來就是“鍝堝搱”,）
(3)以上所有例子中print函數所輸出的'哈哈'(gbk編碼)與'鍝堝搱'(GB2312)，而gbk是GB2312的擴展，前者兼容後者，可見，print默認編碼應該是gbk了。
(4)test = u'哈哈'是定義了一個unicode類型的變量，所以可以直接encode，decode就是把其他編碼轉換爲unicode，encode就是把unicode編碼的字符串轉換爲特定編碼，這也是例子中直接從對str類型的test進行encode發生錯誤的原因。
3.python文件的編碼格式和編碼聲明的作用
(1)文件的編碼格式決定了在該源文件中聲明的字符串的編碼格式，例如：
str = '哈哈',print repr(str)
a.如果文件格式爲utf-8，則str的值爲：'/xe5/x93/x88/xe5/x93/x88'（哈哈的utf-8編碼）
b.如果文件格式爲ANSCII，則str的值爲：'/xb9/xfe/xb9/xfe'（哈哈的ANSCII編碼)
而在python中的字符串，只是一個字節數組，所以當把a情況的str輸出到 gbk編碼的控制檯時，就將顯示爲亂碼：鍝堝搱；而當把b情況下的str輸出utf-8編碼的控制檯時，就會報錯。
(2)在py程序的開頭會用#coding=gbk 類似的語句聲明一下編碼，這句話作用是:
a.聲明源文件中將出現非ascii編碼(通常也就是中文)；
b.在高級的IDE中，IDE會將你的文件格式保存成你指定編碼格式。
c.決定源碼中類似於u'哈哈'這類聲明的將‘哈哈’解碼成unicode所用的編碼格式,例如：
#coding:gbk
ss = u'哈哈'
print repr(ss)
print 'ss:%s' % ss
將這個些代碼保存成一個utf-8文本，運行，你認爲會輸出什麼呢？大家第一感覺肯定輸出的肯定是：
u'/u54c8/u54c8'
ss:哈哈
但是實際上輸出是：
u'/u935d/u581d/u6431'
ss:鍝堝搱
爲什麼會這樣，這時候，就是編碼聲明在作怪了，在運行ss = u'哈哈'的時候，整個過程可以分爲以下幾步：
1) 獲取'哈哈'的編碼：由文件編碼格式確定，爲'/xe5/x93/x88/xe5/x93/x88'（哈哈的utf-8編碼形式）
2) 轉成 unicode編碼的時候，在這個轉換的過程中，對於'/xe5/x93/x88/xe5/x93/x88'的解碼，不是用utf-8解碼，而是用聲明編碼處指定的編碼GBK，將'/xe5/x93/x88/xe5/x93/x88'按GBK解碼，得到就是''鍝堝搱''，這三個字的unicode編碼就 是u'/u935d/u581d/u6431'，至止可以解釋爲什麼print repr(ss)輸出的是u'/u935d/u581d/u6431' 了。
總結：
1.任何字符在內存中都是以一種編碼形式存儲，而不是存儲它本身，我們只可能在存入內存之前或者在從內存中拿出來之後，適當的進行編碼與解碼，即可得到我們想要的結果。
2.打印列表，打印的是所有元素在內存中的形式，而逐個打印列表的元素的時候，print將其傳送給操作系統進行了默認編碼，我們看到的是結果。