python乱码背后的渊源

当源网页编码和爬取下来后的编码转换不一致时，如源网页为gbk编码的字节流，而我们抓取下后程序直接使用utf-8进行编码并输出到存储文件中，这必然会引起乱码，即当源网页编码和抓取下来后程序直接使用处理编码一致时，则不会出现乱码，此时再进行统一的字符编码也就不会出现乱码了。最终爬取的所有网页无论何种编码格式，都转化为utf-8格式进行存储。

注意：区分源网编码A-gbk、程序直接使用的编码B-ISO-8859-1、统一转换字符的编码C-utf-8。

在此，我们拓展讲讲unicode、ISO-8859-1、gbk2312、gbk、utf-8等之间的区别联系，大概如下：

最早的编码是iso8859-1，和ascii编码相似。但为了方便表示各种各样的语言，逐渐出现了很多标准编码。iso8859-1属于单字节编码，最多能表示的字符范围是0-255，应用于英文系列。很明显，iso8859-1编码表示的字符范围很窄，无法表示中文字符。

1981年中国人民通过对ASCII编码的中文扩充改造，产生了GB2312编码，可以表示6000多个常用汉字。但汉字实在是太多了，包括繁体和各种字符，于是产生了GBK编码，它包括了GB2312中的编码，同时扩充了很多。中国又是个多民族国家，各个民族几乎都有自己独立的语言系统，为了表示那些字符，继续把GBK编码扩充为GB18030编码。每个国家都像中国一样，把自己的语言编码，于是出现了各种各样的编码，如果你不安装相应的编码，就无法解释相应编码想表达的内容。终于，有个叫ISO的组织看不下去了。他们一起创造了一种编码UNICODE，这种编码非常大，大到可以容纳世界上任何一个文字和标志。所以只要电脑上有UNICODE这种编码系统，无论是全球哪种文字，只需要保存文件的时候，保存成UNICODE编码就可以被其他电脑正常解释。UNICODE在网络传输中，出现了两个标准UTF-8和UTF-16，分别每次传输8个位和16个位。于是就会有人产生疑问，UTF-8既然能保存那么多文字、符号，为什么国内还有这么多使用GBK等编码的人?因为UTF-8等编码体积比较大，占电脑空间比较多，如果面向的使用人群绝大部分都是中国人，用GBK等编码也可以。

也可以这样来理解：字符串是由字符构成，字符在计算机硬件中通过二进制形式存储，这种二进制形式就是编码。如果直接使用“字符串??字符??二进制表示(编码)”，会增加不同类型编码之间转换的复杂性。所以引入了一个抽象层，“字符串??字符??与存储无关的表示??二进制表示(编码)”，这样，可以用一种与存储无关的形式表示字符，不同的编码之间转换时可以先转换到这个抽象层，然后再转换为其他编码形式。在这里，unicode就是“与存储无关的表示”，utf—8就是“二进制表示”。

以上内容为大家介绍了python乱码背后的渊源，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注IT培训机构:开发教育。http://www.baikegou.com/

鹏仔微信 15129739599 鹏仔QQ344225443 鹏仔前端 pjxi.com 共享博客 sharedbk.com