摘要：中國人民看到這樣很不錯(cuò)，于是就把這種漢字方案叫做。結(jié)果擴(kuò)展之后的編碼方案被稱為標(biāo)準(zhǔn)，包括了的所有內(nèi)容，同時(shí)又增加了近個(gè)新的漢字包括繁體字和符號(hào)。

聲明：文章借鑒自【徹底搞懂 python 中文亂碼問題】

很久很久以前，有一群人，他們決定用8個(gè)可以開合的晶體管來組合成不同的狀態(tài)，以表示世界上的萬物。他們看到8個(gè)開關(guān)狀態(tài)是好的，于是他們把這稱為”字節(jié)“。再后來，他們又做了一些可以處理這些字節(jié)的機(jī)器，機(jī)器開動(dòng)了，可以用字節(jié)來組合出很多狀態(tài)，狀態(tài)開始變來變?nèi)ァＫ麄兛吹竭@樣是好的，于是它們就這機(jī)器稱為”計(jì)算機(jī)“。開始計(jì)算機(jī)只在美國用。八位的字節(jié)一共可以組合出256(2的8次方)種不同的狀態(tài)。 他們把其中的編號(hào)從0開始的32種狀態(tài)分別規(guī)定了特殊的用途，一但終端、打印機(jī)遇上約定好的這些字節(jié)被傳過來時(shí)，就要做一些約定的動(dòng)作。遇上0×10, 終端就換行，遇上0×07, 終端就向人們嘟嘟叫，例好遇上0x1b, 打印機(jī)就打印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，于是就把這些0×20以下的字節(jié)狀態(tài)稱為”控制碼”。他們又把所有的空 格、標(biāo)點(diǎn)符號(hào)、數(shù)字、大小寫字母分別用連續(xù)的字節(jié)狀態(tài)表示，一直編到了第127號(hào)，這樣計(jì)算機(jī)就可以用不同字節(jié)來存儲(chǔ)英語的文字了。大家看到這樣，都感覺很好，于是大家都把這個(gè)方案叫做 ANSI 的”Ascii”編碼（American Standard Code for Information Interchange，美國信息互換標(biāo)準(zhǔn)代碼）。當(dāng)時(shí)世界上所有的計(jì)算機(jī)都用同樣的ASCII方案來保存英文文字。

后來，就像建造巴比倫塔一樣，世界各地的都開始使用計(jì)算機(jī)，但是很多國家用的不是英文，他們的字母里有許多是ASCII里沒有的，為了可以在計(jì)算機(jī)保存他們的文字，他們決定采用 127號(hào)之后的空位來表示這些新的字母、符號(hào)，還加入了很多畫表格時(shí)需要用下到的橫線、豎線、交叉等形狀，一直把序號(hào)編到了最后一個(gè)狀態(tài)255。從128 到255這一頁的字符集被稱”擴(kuò)展字符集“。從此之后，貪婪的人類再?zèng)]有新的狀態(tài)可以用了，美帝國主義可能沒有想到還有第三世界國家的人們也希望可以用到計(jì)算機(jī)吧！等中國人們得到計(jì)算機(jī)時(shí)，已經(jīng)沒有可以利用的字節(jié)狀態(tài)來表示漢字，況且有6000多個(gè)常用漢字需要保存呢。

但是這難不倒智慧的中國人民，我們不客氣地把那些127號(hào)之后的奇異符號(hào)們直接取消掉, 規(guī)定：一個(gè)小于127的字符的意義與原來相同，但兩個(gè)大于127的字符連在一起時(shí)，就表示一個(gè)漢字，前面的一個(gè)字節(jié)（他稱之為高字節(jié)）從0xA1用到 0xF7，后面一個(gè)字節(jié)（低字節(jié)）從0xA1到0xFE，這樣我們就可以組合出大約7000多個(gè)簡體漢字了。在這些編碼里，我們還把數(shù)學(xué)符號(hào)、羅馬希臘的字母、日文的假名們都編進(jìn)去了，連在 ASCII 里本來就有的數(shù)字、標(biāo)點(diǎn)、字母都統(tǒng)統(tǒng)重新編了兩個(gè)字節(jié)長的編碼，這就是常說的”全角”字符，而原來在127號(hào)以下的那些就叫”半角”字符了。 中國人民看到這樣很不錯(cuò)，于是就把這種漢字方案叫做 “GB2312“。GB2312 是對(duì) ASCII 的中文擴(kuò)展。

但是中國的漢字太多了，我們很快就就發(fā)現(xiàn)有許多人的人名沒有辦法在這里打出來，特別是某些很會(huì)麻煩別人的國家領(lǐng)導(dǎo)人。于是我們不得不繼續(xù)把 GB2312 沒有用到的碼位找出來老實(shí)不客氣地用上。 后來還是不夠用，于是干脆不再要求低字節(jié)一定是127號(hào)之后的內(nèi)碼，只要第一個(gè)字節(jié)是大于127就固定表示這是一個(gè)漢字的開始，不管后面跟的是不是擴(kuò)展字符集里的內(nèi)容。結(jié)果擴(kuò)展之后的編碼方案被稱為 GBK 標(biāo)準(zhǔn)，GBK 包括了 GB2312 的所有內(nèi)容，同時(shí)又增加了近20000個(gè)新的漢字（包括繁體字）和符號(hào)。 后來少數(shù)民族也要用電腦了，于是我們?cè)贁U(kuò)展，又加了幾千個(gè)新的少數(shù)民族的字，GBK 擴(kuò)成了 GB18030。

從此之后，中華民族的文化就可以在計(jì)算機(jī)時(shí)代中傳承了。 中國的程序員們看到這一系列漢字編碼的標(biāo)準(zhǔn)是好的，于是通稱他們叫做 “DBCS“（Double Byte Charecter Set 雙字節(jié)字符集）。在DBCS系列標(biāo)準(zhǔn)里，最大的特點(diǎn)是兩字節(jié)長的漢字字符和一字節(jié)長的英文字符并存于同一套編碼方案里，因此他們寫的程序?yàn)榱酥С种刑幚?，必須要注意字串里的每一個(gè)字節(jié)的值，如果這個(gè)值是大于127的，那么就認(rèn)為一個(gè)雙字節(jié)字符集里的字符出現(xiàn)了。那時(shí)候凡是受過加持，會(huì)編程的計(jì)算機(jī)僧侶們都要每天念下面這個(gè)咒語數(shù)百遍： “一個(gè)漢字算兩個(gè)英文字符！一個(gè)漢字算兩個(gè)英文字符……”

因?yàn)楫?dāng)時(shí)各個(gè)國家都像中國這樣搞出一套自己的編碼標(biāo)準(zhǔn)，結(jié)果互相之間誰也不懂誰的編碼，誰也不支持別人的編碼，連大陸和臺(tái)灣這樣只相隔了150海里，使用著同一種語言的兄弟地區(qū)，也分別采用了不同的 DBCS 編碼方案——當(dāng)時(shí)的中國人想讓電腦顯示漢字，就必須裝上一個(gè)”漢字系統(tǒng)”，專門用來處理漢字的顯示、輸入的問題，但是那個(gè)臺(tái)灣的愚昧封建人士寫的算命程序就必須加裝另一套支持 BIG5 編碼的什么”倚天漢字系統(tǒng)”才可以用，裝錯(cuò)了字符系統(tǒng)，顯示就會(huì)亂了套！這怎么辦？而且世界民族之林中還有那些一時(shí)用不上電腦的窮苦人民，他們的文字又怎么辦？ 真是計(jì)算機(jī)的巴比倫塔命題??！

【注意】：這兒是unicode號(hào)，不叫Unicode編碼，一會(huì)兒你就知道為什么了

正在這時(shí)，大天使加百列及時(shí)出現(xiàn)了，一個(gè)叫 ISO（國際標(biāo)誰化組織）的國際組織決定著手解決這個(gè)問題。他們采用的方法很簡單：廢了所有的地區(qū)性編碼方案，重新搞一個(gè)包括了地球上所有文化、所有字母和符號(hào)的編碼！他們打算叫它”Universal Multiple-Octet Coded Character Set”，簡稱 UCS, 俗稱 “unicode“。unicode開始制訂時(shí)，計(jì)算機(jī)的存儲(chǔ)器容量極大地發(fā)展了，空間再也不成為問題了。于是 ISO 就直接規(guī)定必須用兩個(gè)字節(jié)，也就是16位來統(tǒng)一表示所有的字符，對(duì)于ASCII里的那些“半角”字符，unicode 包持其原編碼不變，只是將其長度由原來的8位擴(kuò)展為16位，而其他文化和語言的字符則全部重新統(tǒng)一編碼。

由于”半角”英文符號(hào)只需要用到低8位，所以其高8位永遠(yuǎn)是0，因此這種大氣的方案在保存英文文本時(shí)會(huì)多浪費(fèi)一倍的空間。這時(shí)候，從舊社會(huì)里走過來的程序員開始發(fā)現(xiàn)一個(gè)奇怪的現(xiàn)象：他們的 strlen 函數(shù)靠不住了，一個(gè)漢字不再是相當(dāng)于兩個(gè)字符了，而是一個(gè)！是的，從 unicode 開始，無論是半角的英文字母，還是全角的漢字，它們都是統(tǒng)一的”一個(gè)字符“！同時(shí)，也都是統(tǒng)一的”兩個(gè)字節(jié)“，請(qǐng)注意”字符”和”字節(jié)”兩個(gè)術(shù)語的不同，“字節(jié)”是一個(gè)8位的物理存貯單元，而“字符”則是一個(gè)文化相關(guān)的符號(hào)。在 unicode 中，一個(gè)字符就是兩個(gè)字節(jié)。一個(gè)漢字算兩個(gè)英文字符的時(shí)代已經(jīng)快過去了。

unicode 同樣也不完美，這里就有兩個(gè)的問題，一個(gè)是，如何才能區(qū)別 unicode 和 ASCII？計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào)，而不是分別表示三個(gè)符號(hào)呢？第二個(gè)問題是，我們已經(jīng)知道，英文字母只用一個(gè)字節(jié)表示就夠了，如果 unicode 統(tǒng)一規(guī)定，每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示，那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是0，這對(duì)于存儲(chǔ)空間來說是極大的浪費(fèi)，文本文件的大小會(huì)因此大出二三倍，這是難以接受的。

nicode 在很長一段時(shí)間內(nèi)無法推廣，直到互聯(lián)網(wǎng)的出現(xiàn)，為解決 unicode 如何在網(wǎng)絡(luò)上傳輸?shù)膯栴}，于是面向傳輸?shù)谋姸?UTF（UCS Transfer Format）標(biāo)準(zhǔn)出現(xiàn)了，顧名思義，UTF-8就是每次8個(gè)位傳輸數(shù)據(jù)，而 UTF-16 就是每次16個(gè)位。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種 unicode 的實(shí)現(xiàn)方式，這是為傳輸而設(shè)計(jì)的編碼，并使編碼無國界，這樣就可以顯示全世界上所有文化的字符了。UTF-8 最大的一個(gè)特點(diǎn)，就是它是一種變長的編碼方式。它可以使用1~4個(gè)字節(jié)表示一個(gè)符號(hào)，根據(jù)不同的符號(hào)而變化字節(jié)長度，當(dāng)字符在 ASCII 碼的范圍時(shí)，就用一個(gè)字節(jié)表示，保留了 ASCII 字符一個(gè)字節(jié)的編碼做為它的一部分，注意的是 unicode 一個(gè)中文字符占2個(gè)字節(jié)，而UTF-8一個(gè)中文字符占3個(gè)字節(jié)）。從 unicode 到 uft-8 并不是直接的對(duì)應(yīng)，而是要過一些算法和規(guī)則來轉(zhuǎn)換。

看到這里你是徹底懵逼還是恍然大悟，如果是徹底懵逼建議你再多看幾次，溫故而知新，如果恍然大悟的話我們就接著往下看。

介紹完了基礎(chǔ)知識(shí)，我們來說說 Python 中是如何存儲(chǔ)字符的，先來看一個(gè)亂碼的例子。新建一個(gè) demo.py 文件，文件存儲(chǔ)格式為utf-8文件中內(nèi)容如下。

s = "中文"
print s

然后后cmd中運(yùn)行

正如你想的那樣，報(bào)錯(cuò)了。保存信息說沒有"xe4"的ASCII碼，當(dāng)然啦，ASCII是英文編碼，當(dāng)然不認(rèn)識(shí)中文啦，那我們想到的應(yīng)該第一步是告訴解釋器我們這是需要用什么編碼來解釋我們的代碼的，Python默認(rèn)就是ASCII編碼，我們?cè)囈幌掠胾tf8來解釋我們的代碼。

# coding:utf-8
s = "中文"
print s

上面的代碼理論上是對(duì)的，但是！但是！呵呵?。?！

我們?cè)赾md中執(zhí)行，確實(shí)是沒有報(bào)錯(cuò)了，但是這是什么東西我們也看不懂呀。我解釋一下吧

【下面是知識(shí)點(diǎn)，圈起來，考試要考】
我們?cè)赾md中輸入或者輸出的時(shí)候其實(shí)也涉及到編碼為問題，，查看 cmd 的編碼命令是 chcp，返回 936，936 代表 GBK 編碼，而將中文的utf-8 編碼 xe4xb8xadxe6x96x87 強(qiáng)制轉(zhuǎn)換為 GBK 就會(huì)亂碼了，GBK 是兩個(gè)字節(jié)存儲(chǔ)一個(gè)中文字符，所以 xe4xb8xadxe6x96x87 會(huì)解碼成三個(gè)字

如果我們換成在cmd中交互，在cmd中執(zhí)行以上的代碼，那當(dāng)然就不會(huì)出現(xiàn)我們預(yù)期之外的結(jié)果了，因?yàn)榫幋a都一致了。

我們不可能在交互模式中寫大量代碼呀，我們還是得解決文件中的問題

上面那個(gè)cmd的例子，如果我們把文件系統(tǒng)改成gbk存儲(chǔ)，同時(shí)告訴解釋器用gbk解析，那么和cmd的編碼格式就一致了，也就和我們預(yù)期的一樣了

# coding:gbk
s = "中文"
print s

【注意】：但是我們互聯(lián)網(wǎng)交換使用的編碼是utf-8,所以gbk當(dāng)然不推薦

都知道每一個(gè)字符在計(jì)算機(jī)中都有唯一的一個(gè)編號(hào)，也就是Unicode號(hào)，用它就可以不管編碼的事兒了

# coding:utf-8
s = u"中文"
print s
print repr(s)

強(qiáng)制轉(zhuǎn)換為unicode編碼，在 Python 中編碼是可以互相轉(zhuǎn)換的，比如從utf-8轉(zhuǎn)換為gbk，不同編碼之間不能直接轉(zhuǎn)換，需要通過unicode字符集中間過渡下，從上面基礎(chǔ)知識(shí)可知unicode是一種字符集，不屬于編碼，而utf-8是具體實(shí)現(xiàn)unicode思想的一種編碼。utf-8轉(zhuǎn)換為unicode是一種解碼過程，通過decode可從utf-8解碼成unicode。這兒也就解釋了為什么上面我說叫Unicode號(hào)

# coding:utf-8
s = "中文"
u = s.decode("utf-8")
print u
print type(u)
print repr(u)

強(qiáng)制轉(zhuǎn)換為gbk編碼，上一步已經(jīng)從utf-8轉(zhuǎn)換為unicode了，從unicode是編碼的過程，通過encode實(shí)現(xiàn)

windows cmd 窗口下不支持utf-8，想要顯示中文必須轉(zhuǎn)換為gbk或者unicode，而 Python idle 中這三種編碼都支持。中文亂碼的出現(xiàn)都是由于編碼不一致導(dǎo)致的，存儲(chǔ)的是用utf-8，打印的時(shí)候用gbk就會(huì)亂碼了，所有要保證不亂碼盡量保持統(tǒng)一，建議全部使用unicode

文件存儲(chǔ)為utf-8格式，編碼聲明為utf-8，# coding:utf-8

出現(xiàn)漢字的地方前面加 u，轉(zhuǎn)換成Unicode號(hào)

不同編碼之間不能直接轉(zhuǎn)換，要經(jīng)過unicode中間跳轉(zhuǎn)

cmd 下不支持utf-8編碼

raw_input提示字符串只能為gbk編碼