作者：俊达

字符和编码

字符
字符是符号，是人们用于交流的各类符号，如26个英文字母、汉字、标点符号、数学运算符、其他语言的字母和符号。
编码
编码是计算机中以二进制方式存储字符的方式。每个字符都有一个对应的编码值，计算机使用这些编码值来存储和处理文本信息。
字符集
字符集是字符和编码的映射表。如何将字符以二进制的方式存储，以及如何将二进制数据还原成人们认识的符号（字符），字符集起了关键的作用，每个字符都有一个唯一的编码值。

常见的字符集

ASCII

单字节，是一种最早的字符集和编码方式。使用00～7F，总共128个字符。

GBK

1995年12月发布的汉字编码国家标准，是对GB2312编码的扩充，对汉字采用双字节编码。
GBK字符集共收录21003个汉字，包含国家标准GB13000-1中的全部中日韩汉字，和BIG5编码中的所有汉字。
gbk编码表可以从网上找到，如：https://www.qqxiuzi.cn/zh/hanzi-gbk-bianma.php
下图是部分汉字的GBK编码：

Unicode

Unicode(统一码）是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。
Unicode的编码方式
utf8
使用变长的方式编码unicode字符。使用1-4个字节来编码。

汉字使用UTF8编码占用3个字节。

一些例子

我们可以借助Python（这里用的是python 2.7），方便地观察字符的编码和解码。
汉字“中国”的GBK编码是 D6D0 B9FA

>>> u"中国".encode('gbk')
'\xd6\xd0\xb9\xfa'

汉字“中国”的UTF8编码是 E4B8AD E59BBD

>>> u"中国".encode('utf8')
'\xe4\xb8\xad\xe5\x9b\xbd'

汉字“中国”的Unicode是 4E2D 56FD

>>> u"中国"
u'\u4e2d\u56fd'

数据E4B8ADE59BBD以UTF8编码解码，得到汉字字符“中国”的Unicode

>>> '\xe4\xb8\xad\xe5\x9b\xbd'.decode('utf8')
u'\u4e2d\u56fd'

数据E4B8ADE59BBD以GBK编码解码：

-- ADE5不是合法的GBK编码，默认情况下报错
>>> '\xe4\xb8\xad\xe5\x9b\xbd'.decode('gbk')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'gbk' codec can't decode bytes in position 2-3: illegal multibyte sequence


-- 忽略解码时的错误，得到3个Unicode字符
>>> '\xe4\xb8\xad\xe5\x9b\xbd'.decode('gbk', errors='replace')
u'\u6d93\ufffd\u6d57'


-- 看起来像乱码。其中”？“是因为GBK无法解码ADE5，使用默认字符替换得来。
>>> print u'\u6d93\ufffd\u6d57'
涓�浗

产生乱码的一个原因是解码时使用的字符集不对。

更多技术信息请查看云掣官网https://yunche.pro/?t=yrgw