CODE

发布于 2020-03-01  327 次阅读

编码，是信息从一种形式或格式转换为另一种形式的的过程；
解码则是编码的逆过程。

What is Code？

代码，从数学上通俗的讲就是一个符号集到另一个符号集的映射。例如数字系统，摩斯电码，盲文等。不同于小说诗歌文学等在特定场景下存在多种解释，代码更加的客观（一一对应）。通常代码是为了促进沟通（不局限于人与人之间，实际上代码很大的一个侧重点在人与物的沟通，例如人与计算机，人与动物）。

数字系统

0b,0o,0x,分别对应python中二进制（bin），八进制（oct），十六进制（hex）
* Binary
二进制的出现，是物理世界的限制，非黑即白的世界更好理解，男孩和女孩、白天和黑夜，动物和植物，水和我，炎热与寒冷；同时也是客观理性的存在，冷冰冰的机器不会出错，没有感情。0 or 1；To be，or To be NOT, That’s a question; True or False

Fact of Life #1: Computers are built on bytes，0，1，1，0...

  • Decimal
    不管是阿拉伯数字还是罗马数字，首先联想的都是十进制，十进制主要应用于人类之间的交流。这可能跟我们有10根手指有关，如今我们已经在使用十进制是那么自然，甚至都不会去想我们为什么使用的是十进制。
  • Octal
    Octal来源月拉丁语的八。八进制是另外一种数数的方式。当然七进制也是可以用来数数的，不过自然界更多的是有两只手。想象一下如果一个人的一只手只有4根手指，我们可能用的就是八进制而不是十进制了。计算机用二进制，我们用十进制。二进制书写起来冗长，与人类交互不方便，八进制和十六进制的额出现简化二进制的表示（都是2的指数幂3），增加了可读性或者标记方便。
    Dec25=Oct31（圣诞节🎄就是万圣节🎃）
    八进制把二进制以3个3个分组，十六进制把二进制以4个4个分组，但是都表示的同一个数，更多的只是过去人们的习惯。（四进制可能也存在吧，不过被淘汰了）
    现在最有名的八进制应用因该是unix的文件权限chmod命令了。
chmod 777 main.py
  • Hexadecimal
    0、1、2、3、4、5、6、7、8、9、A、B、C、D、E、F，十六进制相比八进制，阅读更加简洁。一个字节（1byte=8bit，至于为啥是8bit，这也是基于历史原因）能且只能由一对十六进制来表示（00——FF），比如10110110可以表示为B6，如果使用四进制的话仍需4个数来表示，不够简洁；使用八进制的话，最靠左的八进制数是由两位二进制数字来表示的（2+3+3），稍显美中不足。现在你在计算机里面的见到的很多都是十六进制（回忆一下计算机蓝屏时候的错误提示：Win7系统出现0x0000003b停止错误）。
    :%! xxd 可用于查看文件十六进制的编码，%! xxd -r 用于还原

摩斯密码

战争时期的秘密通讯，最近热门电影《寄生虫》的地下室通过灯泡与外界传递信息，都是摩斯密码，相比数字系统，摩斯密码要更加高级了，映射的不仅仅是数字，已经是文字了（当然通过数字来映射文字是后话）。

盲文

我理解的的盲文就是手工读取二进制数据表示的文字（是否凸起），当然会了方便会有一些简化和集成，下次坐电梯的时候注意楼层按键可能会有盲文。

文本

其实文本这个概念更加的广泛，盲文也有书籍，这里特指计算机上的文本文件。
大多文件的文件名后缀并没有实际的意义，只是让电脑方便链接文件和应用程序。
* 机器码（0，1...）
* 纯文本文件（.py，.java等）
* CSV，TSV：分隔符文件
* markdown
* 富文本：word，excel...

tips

:set fileformat 查看文件系统*格式（line break区分）
$ file helloworld 产看文件类型
* NOEOL
The new line at the end of the file. 每个文件的结尾新开一行是一个好习惯
当你在linux的vim中打开一个结尾没有新开一行的文件时，vim会提示noeol，同时会自动帮你新增一行显示
* line break
LF(Line Feed, Unix and MacOS)：0a
CR(Carriage Return, Classic macOS): 00
CRLF(Windows): 000a

Encodings

Encodings is just a mapping from bytes to characters.

Fact of Life #2: The world needs more than 256 symbols

:set encoding 查看vim内部使用的编码格式
:set fileencoding 查看文件的编码格式

Map single bytes to characters

  • ASCII: American Standard Code for Information Interchange
    只定义在0-127号位置，不同的国家在128–255段定义各自的字符
  • ISO 8859_1
    ISO 8859_1是单字节编码，向下兼容ASCII，主要应用于欧洲，vim常见的Latin1编码其实就是ISO 8859_1的别名
  • ISO 8859_N
    后续延伸了很多版本的编码
  • Windows-1252
    又称CP 1252，主要用于英文或某些其他西方文字版本Microsoft Windows的预设编码，为Windows代码页之一。此编码是ISO 8859_1的超集

Map second bytes to characters

  • gb2312
    汉字两字节编码，1980年发布，在1995年发布了GBK
  • GBK
    GBK全称《汉字内码扩展规范》（GBK即“国”，“标“，”扩展“汉语拼音的第一个字母，英文名称：Chinese Internal Code Specification)，1995年12月1日制定。
vim “+e ++enc=gbk” test

或者在vim中使用:e ++enc=gbk test 以指定GBK编码格式打开文件
* cp 936
cp 936其实就是GBK，IBM在发明Code Page的时候将GBK放在第936页，所以叫936
* Shift-JIS
* Big5

Unicode&World: code point

Tower of Babel: 上帝留在历史上的第一座“烂尾工程”，通天塔，嘈杂和混乱的场面，嘈杂的声音。
每个国家都有自己的编码要求，制定自己的编码规范，这无疑阻碍了世界一体化。能不能一次性搞定？
Unicode是一个符号集(对应python3中的str类型)，他把世界通用的字符映射到一个code pint（integer），你可以把unicode理解为包含全世界所有文字的语言，甚至各种丰富的表情，一个大的并集。但是你必须要选择一种编码方式将code point映射到字节。
Python3中不会隐示的将bytes转换为str，也就是bytes类型到str的转换。与这里的unicode和utf-8一起理解

Fact of Life #3: Need to keep them straight, Need to deal with both

  • UTF-8
    全称8-bit Unicode Transformation Format, 又称万国码，由Ken Thompson于1992年创建。其用1到6个字节编码unicode字符。用在网页上可以统一页面显示中文简体繁体及其他语言。

    注意：UTF-8只是unicode的实现方式之一

    编码之王：不同的code point选择合适变动的字节长度，ASCII仍然只占用一个字节。UTF-8.的字符边界容易检测，所以容错性高，局部的字节错误不会导致连锁性的错误。但是UTF-8也不完美，文化上不平衡，对于欧美以英语为母语的国家友好（没有任何额外的存储负担）；但是对于中日韩等国家就冗余了，一个字符需要占用3个字节；同时变长字节相比固定长度会带来效率问题（例如计算字符数），执行索引操作效率不高。所以实际上为了解决这个额问题，常常会考虑把UTF-8.看转换为UTF-16或者UTF-32后再操作，操作完后再转换回去。

  • UTF-16
    同样，UTF-16也只是unicode的实现方式的一种。世上没有免费的午餐，we need trade-off。UTF-16相比UTF-8，好处在于大部分字符都以固定长度的字节（2字节）存储，但是UTF-16能表示的字符只有6万多个（相比现在Unicode已经收录的还是不够），而且其无法兼容ASCII编码，同时UTF-16还有BOM（Byte Order Mark）的区分，一般来说以Macintosh制作或存储的文字使用BE，以Microsoft或linux制作或存储的文字使用LE。
  • UTF-32
    UTF-16的更广的延伸，4字节固定的编码规范

Detect the encoding

Fact of Life #4: You cannot infer the encoding of bytes

You must be told, or you have to guess
* #_*_ coding:utf-8 _*_

Fact of Life #5: Sometimes you are told wrong

Tips

  • Unicode sanwich
    Bytes on the outside, Unicode on the inside. Encode: str—>bytes,;Decode:bytes—>str
  • Know what you have
    Bytes or Unicode?
    If bytes, what encoding?
  • Test Unicode

Reference