编码漫谈

编码一定是程序员永远的痛，不知道老高能不能救到你。

以下命令的操作环境：centos6 + python2.6

基础知识

Unicode

Unicode用数字0-0x10FFFF来映射字符，最多可以容纳1114112个字符，或者说有1114112个码位，理论上是足够用的。

在python中如何找到Unicode？

UTF-8

UTF-8（8-bit Unicode Transformation Format）指的是Unicode的一种压缩方式，UTF-8用1到6个字节编码UNICODE字符，长度不定。

Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

老 高的Unicode编码是C0CF B8DF，UTF-8的编码是 \xe8\x80\x81 \xe9\xab\x98，\x表示后面两位数字是16进制，的我们把\x去掉，得到e88081 e9ab98，将其转为二进制，得到：

11101000 10000000 10000001
11101001 10101011 10011000
1110xxxx 10xxxxxx 10xxxxxx  <----- 落到了上表的第三个区间

ASCII兼容

GBK汉字内码扩展规范，简称国标。 GB2312信息交换用汉字编码字符集。 大五码（Big5），又称为大五码或者五大码，是通行于台湾、香港地区的一个繁体字编码方案。

你能说出划线部分都是什么编码格式吗？

顺便扒一扒最近很火的能让IOS死机的字符

编码检测工具

pip install chardet

### 使用方法

from chardet import detect
print detect('abc')

get:

{'confidence': 1.0, 'encoding': 'ascii'}

编码实验

实验1

s = '老高@phper'
detect(s)

get:
{'confidence': 0.75249999999999995, 'encoding': 'utf-8'}

猜测1：python高版本中字符初始化直接为unicode编码。

实验2

s = '老高@phper'
u = s.decode('utf-8')
u
u.encode('gbk')
s.encode('gbk')

get:
>>> u
u'\u8001\u9ad8@phper'
>>> u.encode('gbk')
'\xc0\xcf\xb8\xdf@phper'
>>> s.encode('gbk')
Traceback (most recent call last):
  File "", line 1, in 
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe8 in position 0: ordinal not in range(128)

猜测2：字符编码的转换必须经过unicode，即如果需要将utf-8转为gbk，必须decode后encode。

你知道decode和encode都是做什么的吗？

实验3

# 接上面
type(s)
type(u)
a = dir(s)
b = dir(u)
list(set(a) ^ set(b))

get:
>>> type(s)

>>> type(u)

>>> a = dir(s)
>>> b = dir(u)
>>> list(set(a) ^ set(b))
['isdecimal', 'isnumeric']
>>>

猜测3：普通的str与unicode没有什么区别，['isdecimal', 'isnumeric']两个方法是unicode类独有的。

reference：

https://docs.python.org/2/library/stdtypes.html?highlight=isdecimal#unicode.isnumeric