一、进制
计算机中底层所有的数据都是以 010101的形式存在（图片、文本、视频等）。
二、进制转换
v1 = bin(25) # 十进制转换为二进制 print(v1) # "0b11001" v2 = oct(23) # 十进制转换为八进制 print(v2) # "0o27" v3 = hex(28) # 十进制转换为十六进制 print(v3) # "0x1c" i1 = int("0b11001",base=2) # 25 i2 = int("0o27",base=8) # 23 i3 = int("0x1c",base=16) # 28
三、计算机中的单位
由于计算机中本质上所有的东西以为二进制存储和操作的，为了方便对于二进制值大小的表示，所以就搞了一些单位。
- b（bit），位
1，1位
10，2位
111，3位
1001，4位
- B（byte），字节
8位是一个字节。
10010110，1个字节
10010110 10010110，2个字节
- KB（kilobyte），千字节
1024个字节就是1个千字节。
10010110 11010110 10010111 .. ，1KB
1KB = 1024B= 1024 * 8 b
- M（Megabyte），兆
1024KB就是1M
1M= 1024KB = 1024 * 1024 B = 1024 * 1024 * 8 b
- G（Gigabyte），千兆
1024M就是1G
1 G= 1024 M= 1024 *1024KB = 1024 * 1024 * 1024 B = 1024 * 1024 * 1024 * 8 b
- T（Terabyte），万亿字节
1024个G就是1T
- ...其他更大单位 PB/EB/ZB/YB/BB/NB/DB 不再赘述。
做个小练习：
- 假设1个汉字需要2个字节(2B=16位来表示，如：1000101011001100)，那么1G流量可以通过网络传输多少汉字呢？（计算机传输本质上也是二进制）
1G = 1024M = 1024 * 1024KB = 1024 * 1024 * 1024 B
每个汉字需要2个字节表示
1024 * 1024 * 1024/2 = ?
- 假设1个汉字需要2个字节(2B=16位来表示，如：1000101011001100)，那么500G硬盘可以存储多少个汉字？
500G = 500 * 1024M = 500 * 1024 * 1024KB = 500 * 1024 * 1024 * 1024 B
500 * 1024 * 1024 * 1024 / 2 = ?
四、编码
编码，文字和二进制之间的一个对照表。
1、ascii编码
ascii规定使用1个字节来表示字母与二进制的对应关系。
00000000
00000001 w
00000010 B
00000011 a
...
11111111
2**8 = 256
2、gb-2312编码
gb-2312编码，由国家信息标准委员会制作（1980年）。
gbk编码，对gb2312进行扩展，包含了中日韩等文字（1995年）。
在与二进制做对应关系时，由如下逻辑：
- 单字节表示，用一个字节表示对应关系。2**8 = 256
- 双字节表示，用两个字节表示对应关系。2**16 = 65536中可能性。
3、unicode
unicode也被称为万国码，为全球的每个文字都分配了一个码位（二进制表示）。
- ucs2
用固定的2个字节去表示一个文字。
00000000 00000000 悟
...
2**16 = 65535
- ucs4
用固定的4个字节去表示一个文字。
00000000 00000000 00000000 00000000 无
...
2**32 = 4294967296
文字 十六进制 二进制
ȧ 0227 1000100111
ȧ 0227 00000010 00100111 ucs2
ȧ 0227 00000000 00000000 00000010 00100111 ucs4
乔 4E54 100111001010100
乔 4E54 01001110 01010100 ucs2
乔 4E54 00000000 00000000 01001110 01010100 ucs4
😆 1F606 11111011000000110
😆 1F606 00000000 00000001 11110110 00000110 ucs4
无论是ucs2和ucs4都有缺点：浪费空间？
文字 十六进制 二进制
A 0041 01000001
A 0041 00000000 01000001
A 0041 00000000 00000000 00000000 01000001
unicode的应用：在文件存储和网络传输时，不会直接使用unicode，而在内存中会unicode。
4、utf-8编码
包含所有文字和二进制的对应关系，全球应用最为广泛的一种编码（站在巨人的肩膀上功成名就）。
本质上：utf-8是对unicode的压缩，用尽量少的二进制去与文字进行对应。
unicode码位范围 utf-8
0000 ~ 007F 用1个字节表示
0080 ~ 07FF 用2个字节表示
0800 ~ FFFF 用3个字节表示
10000 ~ 10FFFF 用4个字节表示
具体压缩的流程：
- 第一步：选择转换模板
码位范围（十六进制） 转换模板
0000 ~ 007F 0XXXXXXX
0080 ~ 07FF 110XXXXX 10XXXXXX
0800 ~ FFFF 1110XXXX 10XXXXXX 10XXXXXX
10000 ~ 10FFFF 11110XXX 10XXXXXX 10XXXXXX 10XXXXXX
例如：
"B" 对应的unicode码位为 0042，那么他应该选择的一个模板。
"ǣ" 对应的unicode码位为 01E3，则应该选择第二个模板。
"武" 对应的unicode码位为 6B66，则应该选择第三个模板。
"沛" 对应的unicode码位为 6C9B，则应该选择第三个模板。
"齐" 对应的unicode码位为 9F50，则应该选择第三个模板。
😆 对应的unicode码位为 1F606，则应该选择第四个模板。
注意：一般中文都使用第三个模板（3个字节），这也就是平时大家说中文在utf-8中会占3个字节的原因了。
- 第二步：在模板中填入数据
- "武" -> 6B66 -> 110 101101 100110
- 根据模板去套入数据
1110XXXX 10XXXXXX 10XXXXXX
1110XXXX 10XXXXXX 10100110
1110XXXX 10101101 10100110
11100110 10101101 10100110
在UTF-8编码中 ”武“ 11100110 10101101 10100110
- 😆 -> 1F606 -> 11111 011000 000110
- 根据模板去套入数据
11110000 10011111 10011000 10000110
五、Python相关的编码
字符串（str） "alex媳妇叫铁锤" unicode处理 一般在内存
字节（byte） b"alexfdsfdsdfskdfsd" utf-8编码 or gbk编码 一般用于文件或网络处理
v1 = "武"
v2 = "武".encode("utf-8")
v2 = "武".encode("gbk")
将一个字符串写入到一个文件中。
name = "嫂子热的满身大汗"
data = name.encode("utf-8")
# 打开一个文件
file_object = open("log.txt",mode="wb")
# 在文件中写内容
file_object.write(data)
# 关闭文件
file_object.close()
六、总结
- 计算机上所有的东西最终都会转换成为二进制再去运行。
- ascii编码、unicode字符集、utf-8编码本质上都是字符与二进制的关系。
- ascii，字符和二进制的对照表。
- unicode，字符和二进制（码位）的对照表。
- utf-8，对unicode字符集的码位进行压缩处理，间接也维护了字符和二进制的对照表。
- ucs2和ucs4指的是使用多少个字节来表示unicode字符集的码位。
- 目前最广泛的编码为：utf-8，他可以表示所有的字符且存储或网络传输也不会浪费资源（对码位进行压缩了）。
- 二进制、八进制、十进制、十六进制其实就是进位的时机不同。
- 基于Python实现二进制、八进制、十进制、十六进制之间的转换。
- 一个字节8位
- 计算机中常见单位b/B/KB/M/G的关系。
- 汉字，用gbk编码需要用2个字节；用utf-8编码需要用3个字节。
- 基于Python实现将字符串转换为字节（utf-8编码）
# 字符串类型
name = "武沛齐"
print(name) # 武沛齐
# 字符串转换为字节类型
data = name.encode("utf-8")
print(data) # b'\xe6\xad\xa6\xe6\xb2\x9b\xe9\xbd\x90'
# 把字节转换为字符串
old = data.decode("utf-8")
print(old)
- 基于Python实现将字符串转换为字节（gbk编码）
# 字符串类型
name = "武沛齐"
print(name) # 武沛齐
# 字符串转换为字节类型
data = name.encode("gbk")
# print(data) # b'\xe6\xad\xa6\xe6\xb2\x9b\xe9\xbd\x90' utf8，中文3个字节
print(data) # b'\xce\xe4\xc5\xe6\xc6\xeb' gbk，中文2个字节
# 把字节转换为字符串
old = data.decode("gbk")
print(old)
