Python爬虫入门：如何掌握字符串与编码基础？

本文共计3003个文字，预计阅读时间需要13分钟。

1. 字符编码+我们已经讲过了，字符串也是一种数据类型，但特别的是，字符串还存在一个编码问题。因为计算机只能处理数字，如果要处理文本，就必须先将其转换为数字。

1.字符编码

我们已经讲过了，字符串也是一种数据类型，但是，字符串比较特殊的是还有一个编码问题。

因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是255（二进制11111111=十进制255），如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是​​65535​​​，4个字节可以表示的最大整数是​​4294967295​​。

由于计算机是美国人发明的，因此，最早只有127个字符被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为​​ASCII​​​编码，比如大写字母​​A​​​的编码是​​65​​​，小写字母​​z​​​的编码是​​122​​。

但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以，中国制定了​​GB2312​​编码，用来把中文编进去。

你可以想得到的是，全世界有上百种语言，日本把日文编到​​Shift_JIS​​​里，韩国把韩文编到​​Euc-kr​​里，各国有各国的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。

因此，Unicode字符集应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。

Unicode标准也在不断发展，但最常用的是UCS-16编码，用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）。