ASCII 、UTF-8、Unicode都是個啥啊，為啥會亂碼啊？
因為計算機只能處理數字，如果要處理文本，就必須先把文本轉換為數字才能處理。最早的計算機在設計時采用8個比特（bit）作為一個字節（byte），所以，一個字節能表示的最大的整數就是255（二進制11111111=十進制255），如果要表示更大的整數，就必須用更多的字節。比如兩個字節可以表示的最大整數是65535，4個字節可以表示的最大整數是4294967295。
由於計算機是美國人發明的，因此，最早只有127個字符被編碼到計算機里，也就是大小寫英文字母、數字和一些符號，這個編碼表被稱為ASCII編碼，比如大寫字母A的編碼是65，小寫字母z的編碼是122。
但是要處理中文顯然一個字節是不夠的，至少需要兩個字節，而且還不能和ASCII編碼沖突，所以，中國制定了GB2312編碼，用來把中文編進去。
你可以想得到的是，全世界有上百種語言，日本把日文編到Shift_JIS里，韓國把韓文編到Euc-kr里，各國有各國的標准，就會不可避免地出現沖突，結果就是，在多語言混合的文本中，顯示出來會有亂碼。

因此，Unicode應運而生。Unicode把所有語言都統一到一套編碼里，這樣就不會再有亂碼問題了。
Unicode標准也在不斷發展，但最常用的是用兩個字節表示一個字符（如果要用到非常偏僻的字符，就需要4個字節）。現代操作系統和大多數編程語言都直接支持Unicode。
現在，捋一捋ASCII編碼和Unicode編碼的區別：ASCII編碼是1個字節，而Unicode編碼通常是2個字節。
字母A用ASCII編碼是十進制的65，二進制的01000001；
字符0用ASCII編碼是十進制的48，二進制的00110000，注意字符'0'和整數0是不同的；
漢字中已經超出了ASCII編碼的范圍，用Unicode編碼是十進制的20013，二進制的01001110 00101101。
你可以猜測，如果把ASCII編碼的A用Unicode編碼，只需要在前面補0就可以，因此，A的Unicode編碼是00000000 01000001。
新的問題又出現了：如果統一成Unicode編碼，亂碼問題從此消失了。但是，如果你寫的文本基本上全部是英文的話，用Unicode編碼比ASCII編碼需要多一倍的存儲空間，在存儲和傳輸上就十分不划算。
所以，本着節約的精神，又出現了把Unicode編碼轉化為“可變長編碼”的UTF-8編碼。UTF-8編碼把一個Unicode字符根據不同的數字大小編碼成1-6個字節，常用的英文字母被編碼成1個字節，漢字通常是3個字節，只有很生僻的字符才會被編碼成4-6個字節。如果你要傳輸的文本包含大量英文字符，用UTF-8編碼就能節省空間：
字符ASCIIUnicodeUTF-8A0100000100000000 0100000101000001中x01001110 0010110111100100 10111000 10101101
從上面的表格還可以發現，UTF-8編碼有一個額外的好處，就是ASCII編碼實際上可以被看成是UTF-8編碼的一部分，所以，大量只支持ASCII編碼的歷史遺留軟件可以在UTF-8編碼下繼續工作。
搞清楚了ASCII、Unicode和UTF-8的關系，我們就可以總結一下現在計算機系統通用的字符編碼工作方式：
在計算機內存中，統一使用Unicode編碼，當需要保存到硬盤或者需要傳輸的時候，就轉換為UTF-8編碼。
用記事本編輯的時候，從文件讀取的UTF-8字符被轉換為Unicode字符到內存里，編輯完成后，保存的時候再把Unicode轉換為UTF-8保存到文件：
瀏覽網頁的時候，服務器會把動態生成的Unicode內容轉換為UTF-8再傳輸到瀏覽器：
所以你看到很多網頁的源碼上會有類似<meta charset="UTF-8" />的信息，表示該網頁正是用的UTF-8編碼。
Python的字符串
搞清楚了令人頭疼的字符編碼問題后，我們再來研究Python的字符串。
在最新的Python 3版本中，字符串是以Unicode編碼的，也就是說，Python的字符串支持多語言，例如：
>>> print('包含中文的str') 包含中文的str
對於單個字符的編碼，Python提供了ord()函數獲取字符的整數表示，chr()函數把編碼轉換為對應的字符：
>>> ord('A')65>>> ord('中')20013>>> chr(66)'B'>>> chr(25991)'文'
如果知道字符的整數編碼，還可以用十六進制這么寫str：
>>> '\u4e2d\u6587''中文'
兩種寫法完全是等價的。
由於Python的字符串類型是str，在內存中以Unicode表示，一個字符對應若干個字節。如果要在網絡上傳輸，或者保存到磁盤上，就需要把str變為以字節為單位的bytes。
Python對bytes類型的數據用帶b前綴的單引號或雙引號表示：
x = b'ABC'
要注意區分'ABC'和b'ABC'，前者是str，后者雖然內容顯示得和前者一樣，但bytes的每個字符都只占用一個字節。
以Unicode表示的str通過encode()方法可以編碼為指定的bytes，例如：
>>> 'ABC'.encode('ascii')
b'ABC' >>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中文'.encode('ascii') Traceback (most recent call last):
File "<stdin>", line 1, in <module>UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)
純英文的str可以用ASCII編碼為bytes，內容是一樣的，含有中文的str可以用UTF-8編碼為bytes。含有中文的str無法用ASCII編碼，因為中文編碼的范圍超過了ASCII編碼的范圍，Python會報錯。
在bytes中，無法顯示為ASCII字符的字節，用\x##顯示。
反過來，如果我們從網絡或磁盤上讀取了字節流，那么讀到的數據就是bytes。要把bytes變為str，就需要用decode()方法：
>>> b'ABC'.decode('ascii')'ABC'>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')'中文'
如果bytes中包含無法解碼的字節，decode()方法會報錯：
>>> b'\xe4\xb8\xad\xff'.decode('utf-8') Traceback (most recent call last): ... UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte
如果bytes中只有一小部分無效的字節，可以傳入errors='ignore'忽略錯誤的字節：
>>> b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore')'中'
要計算str包含多少個字符，可以用len()函數：
>>> len('ABC')3>>> len('中文')2
len()函數計算的是str的字符數，如果換成bytes，len()函數就計算字節數：
>>> len(b'ABC')3>>> len(b'\xe4\xb8\xad\xe6\x96\x87')6>>> len('中文'.encode('utf-8'))6
可見，1個中文字符經過UTF-8編碼后通常會占用3個字節，而1個英文字符只占用1個字節。
在操作字符串時，我們經常遇到str和bytes的互相轉換。為了避免亂碼問題，應當始終堅持使用UTF-8編碼對str和bytes進行轉換。
由於Python源代碼也是一個文本文件，所以，當你的源代碼中包含中文的時候，在保存源代碼時，就需要務必指定保存為UTF-8編碼。當Python解釋器讀取源代碼時，為了讓它按UTF-8編碼讀取，我們通常在文件開頭寫上這兩行：
#!/usr/bin/env python3# -*- coding: utf-8 -*-
第一行注釋是為了告訴Linux/OS X系統，這是一個Python可執行程序，Windows系統會忽略這個注釋；
第二行注釋是為了告訴Python解釋器，按照UTF-8編碼讀取源代碼，否則，你在源代碼中寫的中文輸出可能會有亂碼。
申明了UTF-8編碼並不意味着你的.py文件就是UTF-8編碼的，必須並且要確保文本編輯器正在使用UTF-8 without BOM編碼：
如果.py文件本身使用UTF-8編碼，並且也申明了# -*- coding: utf-8 -*-，打開命令提示符測試就可以正常顯示中文：
格式化
最后一個常見的問題是如何輸出格式化的字符串。我們經常會輸出類似'親愛的xxx你好！你xx月的話費是xx，余額是xx'之類的字符串，而xxx的內容都是根據變量變化的，所以，需要一種簡便的格式化字符串的方式。
在Python中，采用的格式化方式和C語言是一致的，用%實現，舉例如下：
>>> 'Hello, %s' % 'world''Hello, world'>>> 'Hi, %s, you have $%d.' % ('Michael', 1000000)'Hi, Michael, you have $1000000.'
你可能猜到了，%運算符就是用來格式化字符串的。在字符串內部，%s表示用字符串替換，%d表示用整數替換，有幾個%?占位符，后面就跟幾個變量或者值，順序要對應好。如果只有一個%?，括號可以省略。
常見的占位符有：
占位符替換內容%d整數%f浮點數%s字符串%x十六進制整數
其中，格式化整數和浮點數還可以指定是否補0和整數與小數的位數：
# -*- coding: utf-8 -*-
Run
如果你不太確定應該用什么，%s永遠起作用，它會把任何數據類型轉換為字符串：
>>> 'Age: %s. Gender: %s' % (25, True)'Age: 25. Gender: True'
有些時候，字符串里面的%是一個普通字符怎么辦？這個時候就需要轉義，用%%來表示一個%：
>>> 'growth rate: %d %%' % 7'growth rate: 7 %'
format()
另一種格式化字符串的方法是使用字符串的format()方法，它會用傳入的參數依次替換字符串內的占位符{0}、{1}……，不過這種方式寫起來比%要麻煩得多：
>>> 'Hello, {0}, 成績提升了 {1:.1f}%'.format('小明', 17.125)'Hello, 小明, 成績提升了 17.1%'
練習
小明的成績從去年的72分提升到了今年的85分，請計算小明成績提升的百分點，並用字符串格式化顯示出'xx.x%'，只保留小數點后1位：
# -*- coding: utf-8 -*- s1 = 72 s2 = 85
Run
小結
Python 3的字符串使用Unicode，直接支持多語言。
當str和bytes互相轉換時，需要指定編碼。最常用的編碼是UTF-8。Python當然也支持其他編碼方式，比如把Unicode編碼成GB2312：
>>> '中文'.encode('gb2312')b'\xd6\xd0\xce\xc4'
但這種方式純屬自找麻煩，如果沒有特殊業務要求，請牢記僅使用UTF-8編碼。
格式化字符串的時候，可以用Python的交互式環境測試，方便快捷。
2018-01-09 09:05:19 摘自 今日頭條 斌瘋不懂