python编码格式

我们在写代码的时候经常会遇到乱码等问题，其实就是因为编码格式不正确，那我们现在来简单看一下关于编码的相关知识

一、ASCII 码

计算机存储数据是用0、1存储的，为了存储英文字符等，所以出现了一个ASCII编码表，通过这个表就是把对应的英文转换对应为相应的0、1数据存储到计算机，但是英文只有26个字母，中文有6万多汉字，ASCII编码不够，所以根据需要就出现了unicode、utf-8等编码，实际可以理解为它们把全球的文字编码对应到计算机的0、1来存储识别。

ASCII 码使用指定的 7 位或 8 位二进制数组合来表示 128 或 256 种可能的字符。标准 ASCII 码也叫基础ASCII码，使用 7 位二进制数来表示所有的大写和小写字母，数字 0 到 9、标点符号， 以及在美式英语中使用的特殊控制字符。其中：

• 0～31及127(共33个)是控制字符或通信专用字符（其余为可显示字符），如控制符：LF（换行）、CR（回车）、FF（换页）、DEL（删除）、BS（退格)、BEL（振铃）等。通信专用字符：SOH（文头）、EOT（文尾）、ACK（确认）等；

• ASCII值为 8、9、10 和 13 分别转换为退格、制表、换行和回车字符。它们并没有特定的图形显示，但会依不同的应用程序，而对文本显示有不同的影响。

• 32～126(共95个)是字符(32sp是空格），其中48～57为0到9十个阿拉伯数字；

• 65～90为26个大写英文字母，97～122号为26个小写英文字母，其余为一些标点符号、运算符号等

Unicode

Unicode是为了解决传统的字符编码的局限而产生的。对世界上大部分的文字系统进行了编码、整理，使电脑可以更方便的处理和展示文字。Unicode采用16位编码空间，每个字符占2个字节。Unicode的实现方式称为Unicode转换格式

Unicode码扩展自ASCII字元集。在严格的ASCII中，每个字元用7位元表示，或者电脑上普遍使用的每字元有8位元宽。而Unicode使用全16位元字元集。这使得Unicode能够表示世界上所有的书写语言中可能用於电脑通讯的字元、象形文字和其他符号。

不同的编码方式会造成乱码问题，Unicode将世界上所有符号都纳入其中。每一个符号都给予一个编码，这样就就解决了乱码问题。Unicode现在的规模可以容纳100多万个符号，每个符号的编码都不一样，例如U+4E0A表示上，U+4E0B表示下，具体的符号对应表可以查看：http://www.chi2ko.com/tool/CJK.htm

UTF-8

UTF全称(Unicode Transformation Format)，所以它是一种针对前面提到的Unicode的编码格式，常见的格式就是 UTF-8，还有 UTF-16, UTF-32。

UTF-8 其中的 8 表示的是 8 bit，即Unicode中每8位表示一个字符，UTF-16 和 UTF-32 类似，因为Unicode最多才21位，32位大于21位，所以 UTF-32 的格式就可以表示所有字符对应的Unicode码了，但是呢，32位也就是4字节，让每个字符都占用4字节太费空间了，所以出现了UTF-8和UTF-16。
UTF-8 编码规则如下：

Unicode	bit	UTF-8	byte
0x0000 - 0x007f	0 - 7	0XXX XXXX	1
0x0080 - 0x07ff	8 - 11	110X XXXX 10XX XXXX	2
0x0800 - 0xffff	12 - 16	1110 XXXX 10XX XXXX 10XX XXXX	3
0x1 0000 - 0x1f ffff	17 - 21	1111 0XXX 10XX XXXX 10XX XXXX 10XX XXXX	4

• 每个字节中不足8位的，高位(左边)先用0补上，比如 0XXXX XXXX；
• 超过两字节表示的UTF-8，第一个字节高位添加两个 1 和一个 0，后面的字节高位添加 10；
• 3字节和4字节同理，几个字节高位就添几个 1 再加上一个 0，其余字节高位添 10；

设置编码格式

Python中默认的编码格式是 ASCII 格式，在没修改编码格式时无法正确打印汉字，所以在读取中文时会报错。解决方法为在文件的开头加入 # -*- coding: UTF-8 -*-或者#coding=utf-8 就行了。

我们要记住写python程序的时候一般使用utf-8编码格式来存储编码格式，网页里面同样的也声明utf-8即可，utf-8是中文、英文、日文等全球文字都可以使用的编码格式，通用性很强。

在Pycharm 中设置编码格式的步骤：File --> setting --> File Encodings