Python超速入门-006 乱码到底是个什么鬼？

上节讲到使用Notepad++的时候不要输入中文，如果输入中文呢，那就会报错。

这到底是个什么鬼，有没有想砸电脑的冲动，要解决这个问题，需要从编码的源头说起。

计算机是老美发明的，所以发明当初，压根没有考虑其他国家的事，他们就把英文字母分大小写和一些字符编码到计算机。

计算机这个家伙呢，比较瓜一点，只认识0和1，说白了就会用二进制，因此美国人就编写了一个字符和二进制的对应关系表，叫ASCII（American Standard Code for Information Interchange，美国信息交换标准代码），你看看这名字就只供美国人专用。

ASCII编码有128个，多少位（bit）二进制能表示呢？2^7等于128个，7位就可以了，但是在计算机内数值表示规定中，第一位是符号位，该位为1表示负值，表示正值就是0了，所以给符号留一个，加起来就是8位，表示一个字节（1byte），用1字节表示完全无压力。

但是随着计算的普及，非英语国家编程就麻烦了，必须弄一个新的编码规则。例如中文常用汉字3500个，1994年出版的《中华字海》收入了87019个汉字，显然八位根本无法满足。因此中国整了自己的标准-GB2312，2个字节表示，可以表示2^16就是65536个字节，存储一般汉字和符合完全无压力。

汉字的问题解决了，但是其他语言呢，比如日语、韩语、法语呢，都要能不同的编码，为了解决多语言的问题，Unicode编码诞生，所有语言统一到一个编码了，这样就不会出现乱码了。

Unicode标准也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。

现在，捋一捋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2个字节。

字母A用ASCII编码是十进制的65，二进制的01000001；

汉字“中”已经超出了ASCII编码的范围，用Unicode编码是十进制的20013，二进制的01001110 00101101。如果把ASCII编码的A用Unicode编码，只需要在前面补0就可以，因此，A的Unicode编码是00000000 01000001。

但是这里有一个问题，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的话，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。

为了解决这个问题，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，用UTF-8编码就能节省空间。

从上面的表格还可以发现，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是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。

搞清楚了ASCII、Unicode和UTF-8的关系，我们就可以总结一下现在计算机系统通用的字符编码工作方式：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。