前言

python2.x版本的字符編碼有時讓人很頭疼，遇到問題，網上方法可以解決錯誤，但對原理還是一知半解，本文主要介紹 python 中字符串處理的原理，附帶解決 json 文件輸出時，顯示中文而非 unicode 問題。首先簡要介紹字符串編碼的歷史，其次，講解 python 對于字符串的處理，及編碼的檢測與轉換，最后，介紹 python 爬蟲采取的 json 數據存入文件時中文輸出的問題。

參考書籍：Python網絡爬蟲從入門到實踐 by唐松

在python 2或者3 ，字符串編碼只有兩類 ：

（1）通用的Unicode編碼；

（2）將Unicode轉化為某種類型的編碼，如UTF-8，GBK；

1、計算機歷史：

計算機只處理數字，因此處理文本時，必須轉換成數字才行。

8位（bit）=1字節（byte）=256種不同狀態=從000000到111111；

1GB=1024M=1024（1024kb）=1024（1024（1024b））；

ASCII編碼 是對應英文字符與二進制數字之間的關系；ASCII一共規定了128種，如大寫字母A是65，即01000001；可見一字母一字節；

GB2312編碼 簡體中文常見的編碼，兩個字節代表一個中文漢字 ，理論上256*256個編碼，即可表示65536種中文字；

各國編碼不同，為了各國能擴平臺進行文本的轉換與處理，Unicode就被作為統一碼或者單一碼。Unicode編碼通常是兩個字節，unicode與ASCII編碼的區別，在于unicode在ASCII編碼前加了一個0，即字母A的ASCII編碼為01000001，unicode編碼即為0000000001000001;但英文字母其實只用一個字節就夠了，unicode編碼寫英文時多了一個字節，浪費存儲空間。因而unicode開發了通用轉換格式（Unicode Transformation Format(UTF)）,常見的有utf-8或者utf-16；

要明白encode()和decode()的區別

encode()的作用是將Unicode編碼的字符串轉換為其他編碼格式。

例如： st1.encode("utf-8") 這句話的作用是將Unicode編碼的st1編碼為utf-8編碼的字符串

decode()的作用是把其他編碼格式的字符串轉換成Unicode編碼的字符串。

例如： st2.decode("utf-8") 這句話的作用是將utf-8編碼的字符串st2解碼為Unicode編碼的字符串

第二，除Unicode編碼的字符串以外，任何一種編碼的字符串要想轉換為其他編碼格式，必須先解碼后編碼

非Unicode編碼--> Unicode編碼-->非Unicode編碼

例如，utf-8編碼的字符串st想要轉換為gbk編碼的字符串，必須經過以下步驟：

st=st.decode("utf-8") #解碼為Unicode編碼st=st.encode("gbk") #從Unicode編碼編碼為gbk編碼

第三，我們經常使用的utf-8編碼還分為有BOM的和無BOM的。

第四：關于json文件的中文編碼。用Python讀取Json文件時經常用到json.load()函數，該函數對json文件的格式是有要求的