一 什麼是編碼？
基本概念很簡單。首先，我們從一段資訊即訊息說起，訊息以人類可以理解、易懂的表示存在。我打算將這種表示稱為“明文”（plain text）。對於說英語的人，紙張上列印的或螢幕上顯示的英文單詞都算作明文。
其次，我們需要能將明文表示的訊息轉成另外某種表示，我們還需要能將編碼文字轉回成明文。從明文到編碼文字的轉換稱為“編碼”，從編碼文字又轉回成明文則為“解碼”。
ASCII
記住一句話：計算機中的所有資料，不論是文字、圖片、視訊、還是音訊檔案，本質上最終都是按照類似 01010101 的二進位制儲存的。 再說簡單點，計算機只懂二進位制數字！所以，目的明確了：如何將我們能識別的符號唯一的與一組二進位制數字對應上？於是美利堅的同志想到通過一個電平的高低狀態來代指0或1，八個電平做為一組就可以表示出256種不同狀態，每種狀態就唯一對應一個字元，比如A--->00010001,而英文只有26個字元，算上一些特殊字元和數字，128個狀態也夠用了；每個電平稱為一個位元為，約定8個位元位構成一個位元組，這樣計算機就可以用127個不同位元組來儲存英語的文字了。這就是ASCII編碼。
擴充套件ANSI編碼
剛才說了，最開始，一個位元組有八位，但是最高位沒用上，預設為0；後來為了計算機也可以表示拉丁文，就將最後一位也用上了， 從128到255的字符集對應拉丁文啦。至此，一個位元組就用滿了！
GB2312
計算機漂洋過海來到中國後，問題來了，計算機不認識中文，當然也沒法顯示中文；而且一個位元組所有狀態都被佔滿了，萬惡的帝國主義亡我之心不死啊！我黨也是棒，自力更生，自己重寫一張表，直接生猛地將擴充套件的第八位對應拉丁文全部刪掉，規定一個小於127的字元的意義與原來相同，但兩個大於127的字元連在一起時，就表示一個漢字，前面的一個位元組（他稱之為高位元組）從0xA1用到0xF7，後面一個位元組（低位元組）從0xA1到0xFE，這樣我們就可以組合出大約7000多個簡體漢字了；這種漢字方案叫做 “GB2312”。GB2312 是對 ASCII 的中文擴充套件。
GBK 和 GB18030編碼
但是漢字太多了，GB2312也不夠用，於是規定：只要第一個位元組是大於127就固定表示這是一個漢字的開始，不管後面跟的是不是擴充套件字符集裡的內容。結果擴充套件之後的編碼方案被稱為 GBK 標準，GBK 包括了 GB2312 的所有內容，同時又增加了近20000個新的漢字（包括繁體字）和符號。
UNICODE編碼
UNICODE 。 UNICODE是用兩個位元組來表示為一個字元，它總共可以組合出65535不同的字元，這足以覆蓋世界上所有符號（包括甲骨文）
utf8:
unicode都一統天下了，為什麼還要有一個utf8的編碼呢？ 大家想，對於英文世界的人們來講，一個位元組完全夠了，比如要儲存A,本來00010001就可以了，現在吃上了unicode的大鍋飯， 得用兩個位元組：00000000 00010001才行，浪費太嚴重！ 基於此，美利堅的科學家們提出了天才的想法：utf8. UTF-8（8-bit Unicode Transformation Format）是一種針對Unicode的可變長度字元編碼，它可以使用1~4個位元組表示一個符號，根據不同的符號而變化位元組長度，當字元在ASCII碼的範圍時，就用一個位元組表示，所以是相容ASCII編碼的。 這樣顯著的好處是，雖然在我們記憶體中的資料都是unicode，但當資料要儲存到磁碟或者用於網路傳輸時，直接使用unicode就遠不如utf8省空間啦！ 這也是為什麼utf8是我們的推薦編碼方式。
Unicode與utf8的關係
一言以蔽之：Unicode是記憶體編碼表示方案（是規範），而UTF是如何儲存和傳輸Unicode的方案（是實現）這也是UTF與Unicode的區別。
二 python2的string編碼
在py2中，有兩種字串型別：str型別和unicode型別；注意，這僅僅是兩個名字，python定義的兩個名字，關鍵是這兩種資料型別在程式執行時存在記憶體地址的是什麼？
我們來看一下：
內建函式repr可以幫我們在這裡顯示儲存內容。原來，str和unicode分別存的是位元組資料和unicode資料；那麼兩種資料之間是什麼關心呢？如何轉換呢?這裡就涉及到編碼(encode)和解碼(decode)了
s1=u'苑'
print repr(s1) #u'\u82d1'
b=s1.encode('utf8')
print b
print type(b) #<type 'str'>
print repr(b) #'\xe8\x8b\x91'
s2='苑昊'
u=s2.decode('utf8')
print u # 苑昊
print type(u) # <type 'unicode'>
print repr(u) # u'\u82d1\u660a'
#注意
u2=s2.decode('gbk')
print u2 #鑻戞槉
print len('苑昊') #6
複製程式碼無論是utf8還是gbk都只是一種編碼規則，一種把unicode資料編碼成位元組資料的規則，所以utf8編碼的位元組一定要用utf8的規則解碼，否則就會出現亂碼或者報錯的情況。
Python 2 悄悄掩蓋掉了 byte 到 unicode 的轉換，只要資料全部是 ASCII 的話，所有的轉換都是正確的，一旦一個非 ASCII 字元偷偷進入你的程式，那麼預設的解碼將會失效，從而造成 UnicodeDecodeError 的錯誤。py2編碼讓程式在處理 ASCII 的時候更加簡單。你復出的代價就是在處理非 ASCII 的時候將會失敗。
三 python3的string編碼 py3也有兩種資料型別：str和bytes； str型別存unicode資料，bytse型別存bytes資料，與py2比只是換了一下名字而已。
import json
s='苑昊'
print(type(s)) #<class 'str'>
print(json.dumps(s)) # "\u82d1\u660a"
b=s.encode('utf8')
print(type(b)) # <class 'bytes'>
print(b) # b'\xe8\x8b\x91\xe6\x98\x8a'
u=b.decode('utf8')
print(type(u)) #<class 'str'>
print(u) #苑昊
print(json.dumps(u)) #"\u82d1\u660a"
print(len('苑昊')) # 2
複製程式碼
四 檔案從磁碟到記憶體的編碼 說到這，才來到我們的重點！
拋開執行執行程式，請問大家，文字編輯器大家都是用過吧，如果不懂是什麼，那麼word總用過吧，ok，當我們在word上編輯文字的時候，不管是中文還是英文，計算機都是不認識的，那麼在儲存之前資料是通過什麼形式存在記憶體的呢？yes，就是unicode資料，為什麼要存unicode資料，這是因為它的名字最屌：萬國碼！解釋起來就是無論英文，中文，日文，拉丁文，世界上的任何字元它都有唯一編碼對應，所以相容性是最好的。
好，那當我們儲存了存到磁碟上的資料又是什麼呢？
答案是通過某種編碼方式編碼的bytes位元組串。比如utf8-－－一種可變長編碼，很好的節省了空間；當然還有歷史產物的gbk編碼等等。於是，在我們的文字編輯器軟體都有預設的儲存檔案的編碼方式，比如utf8，比如gbk。當我們點選儲存的時候，這些編輯軟體已經"默默地"幫我們做了編碼工作。
那當我們再開啟這個檔案時，軟體又默默地給我們做了解碼的工作，將資料再解碼成unicode,然後就可以呈現明文給使用者了！所以，unicode是離使用者更近的資料，bytes是離計算機更近的資料。
說了這麼多，和我們程式執行有什麼關係呢？
先明確一個概念：py直譯器本身就是一個軟體，一個類似於文字編輯器一樣的軟體！
現在讓我們一起還原一個py檔案從建立到執行的編碼過程：
開啟pycharm，建立hello.py檔案，寫入
ret=1+1 s='苑昊' print(s)
當我們儲存的的時候，hello.py檔案就以pycharm預設的編碼方式儲存到了磁碟；關閉檔案後再開啟，pycharm就再以預設的編碼方式對該檔案開啟後讀到的內容進行解碼，轉成unicode到記憶體我們就看到了我們的明文；
而如果我們點選執行按鈕或者在命令列執行該檔案時，py直譯器這個軟體就會被呼叫，開啟檔案，然後解碼存在磁碟上的bytes資料成unicode資料，這個過程和編輯器是一樣的，不同的是直譯器會再將這些unicode資料翻譯成C程式碼再轉成二進位制的資料流，最後通過控制作業系統呼叫cpu來執行這些二進位制資料，整個過程才算結束。
複製程式碼那麼問題來了，我們的文字編輯器有自己預設的編碼解碼方式，我們的直譯器有嗎？
當然有啦，py2預設ASCII碼，py3預設的utf8，可以通過如下方式查詢
import sys print(sys.getdefaultencoding())
識別圖中二維碼,歡迎關注python寶典