Unicode 编码

为了介绍 Python 的编码知识，我们先来回顾下计算机发展历史上文字是如何编码的。

计算机在美国被发明之后，一开始需要被存储的字符个数不多，包括大小写的英语字母以及常用的标点符号，在 7 个 bit 内就能把所有的适用于美国当时要求的字符给枚举出来，这就是 ASCII 码，是 American Standard Code for Information Interchange 的首字母缩写。

计算机继续推广后，在文字记录上首先遇到的问题就是即使是跟英语相近的语言，比如法语等，它们有很多的字母需要在正常的字母上方加上比如冒号等符号，例如é 或 Í，那 7 个 bit 就不够用了。于是各个语言就开始在 ASCII 的基础上扩充，扩充到了一个字节，也就是 8 个 bit。法语加上法语自己的一些特殊字母成了一个新的编码集，俄语加上自己的西里尔字母也成了一个新的编码集。这些尝试在自己语言内部是没有问题，但是一个文档中需要混合两种以上的语言时候，就出现错误了，没有一个编码集能够覆盖全部语言。

这就是后来为什么又把编码扩充到了两个字节，或者 16 个 bit 的原因，用一个超大的编码集把所有的文字都包含进来，这种努力直到字符集的长度变为了 21 个 bit，也就是字符编码的范围从 0 到 0x10FFFF，才真正的把世界上所有的文字都囊括进去了。最后的这个编码标准，就是 ISO 10646，或者也可以说是 Unicode。

回顾完了历史，我们来看什么是 UTF-8。现有的 ISO10646 解决了编码的终极问题，任何字符都可以在这个编码集中找到自己的位置，但是如果我们用这种方法来存储文字的话，就会有一个问题了，太浪费空间。因为常用的字符都可以在 8 个比特或者 16 个比特内找到自己的位置，假如我们都有 21 个比特来存储字符的话，效率大概只有 30%-50%，所有就出现了类似 UTF-8 这样的编码，它也是现行被采用最多的编码方式。

UTF-8 中 UTF 的意思是 Unicode Transformation Format-Unicode 转换格式，8 的意思是 8 比特编码。它的规则如下，

1. 假如编码数字<128，就采用用相应的编码值。
2. 假如编码数字>128，就分别用 2、3 或 4 个字节来表示，其中每个字节的取值范围在 128-255，也即是最高位都为 1，是为了跟 ASCII 区分开，ASCII 的字节最高位 bit 是 0。

Python 3 以后，字符串存储都是以 unicode 的方式来存储了，而不像 Python 2 中那样字符串是默认以 bytes 来存储的。

# Python 3
type("f") == type(u"f")  # True, <class 'str'>
type(b"f")               # <class 'bytes'>

# Python 2
type("f") == type(b"f")  # True, <type 'str'>
type(u"f")               # <type 'unicode'>