本节主要内容：

1. 基本概念
2. ASCII及其扩展
3. 中文字符编码
4. unicode
5. 注释
6. 参考网页

---

基本概念

计算机中储存的信息都是二进制的0/1串，当我们要在计算机中存储诸如英文、中文、标点符号等字符时，需要先把字符转化成二进制的0/1串之后再保存到计算机中；而当我们要读取保存在计算机中的信息时，需要通过一定的方法把里面的二进制0/1串转化成为原先的字符，然后再通过显示器等渠道进行显示。

这里涉及到字符编码的两个基本概念：

字符集（Character Set）：指系统支持的所有字符的集合。字符包括涉及到的所有文字和符号，如各个国家的语言文字、标点符号和图形符号等。 字符编码（Character Encoding）：指把字符集中的字符映射成二进制0/1串的规则，如用多少个字节存储，每个字节存什么信息等。例如，可以把字符A映射成二进制的01000001（即十进制的65，十六进制的0×41）。通过编码之后的字符适合于硬盘存储、网络传输等，但若要再次显示时则需要以相反的规则把0/1串映射回原先的字符，称为解码过程。 另外，相关组织在制定编码标准的时候，“字符的集合”和“编码方式”有时是同时制定的，比如我们平常所说的“字符集”如ASCII，GBK，GB2312等，除了有“字符集”这层含义外，同时也包含了“字符编码”的含义。

ASCII及其扩展

计算机内部保存信息的二进制0/1串中，每个位置（bit）只有0和1两种状态，一个字节（byte，含有8个二进制位）可以组合出2^8=256种状态，从0000000到11111111。如果每种状态对应一个字符，那么一个字节可以表示256个字符。 ASCII码就是规定了这256个中的一部分字符的编码标准。ASCII（American Standard Code for Information Interchange，美国信息互换标准代码）是美国在1967年制定的一套字符编码，规定了英语字符及其他常见字符与二进制位之间的映射关系，是沿用至今的影响深远的编码系统。 ASCII主要用于显示现代英语，128个符号对于英语来说已经足够，但对于其他语言，由于他们的字符数量众多，128个符号显得远远不够。一些国家通过利用字节中闲置的最高位编入新的特殊符号、外来语字母和图形符号，可以勉强显示一些西欧国家的语言，称为扩展ASCII码。在扩展ASCII码中，0-127这前128个编码表示的符号是一样的，但128–255这后128个则因不同的国家而各不相同。

中文字符编码

ASCII编码能够很好地对英语字符进行编码，但对大量的中文汉字则无能为力，为了显示中文，相关组织设计了相应的中文编码标准。 为了处理汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。

GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。

GB2312 支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的 GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

从ASCII、GB2312、GBK 到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。

有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文Windows内码。

Unicode

ASCII码无法将世界上的各种文字和符号全部表示，所以，就需要新出一种可以代表所有字符和符号的编码，即：Unicode Unicode（统一码、万国码、单一码）是一种在计算机上使用的字符编码。Unicode 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，规定虽有的字符和符号最少由 16 位来表示（2个字节），即：2 **16 = 65536， 注：此处说的的是最少2个字节，可能更多

UTF-8就是unicode的一种具体实现，是可变长的unicode，并且兼容ASCII，他不再使用最少使用2个字节，而是将所有的字符和符号进行分类：ascii码中的内容用1个字节保存、欧洲的字符用2个字节保存，东亚的字符用3个字节保存...

python3 默认是utf-8 python2 默认是ascii 汉字在python2 会报错，需要# -- coding:utf-8 -- 加这一段。 python3里不需要。

注释

其他：当行注视：# 被注释内容 　　多行注释：""" 被注释内容 """

参考网页