先看一个案例，了解何为文件编码及其乱码问题：

# Python写文件的中文乱码问题

各类编码间的发展历程及关系鬼敏：

在操作文本文件时，对我们中国的码农而言经常会操作中文，经常会碰到类似的乱码问题。为了让大家有能力解决中文乱码问题，必须先了解一下各种编码之间的关系。

1、编码也是一个逐渐进化与完善的过程；

2、图中从上往下，下面的编码总是能兼容上面的编码；

3、中国人干啥事都能找到自己的解决方案，从计算机打字的输入法到这里的编码规则。

ASCII编码：

ASCII全称为 American Standard Code for Information Interchange，翻译为“美国信息交换标准代码”。

它是世界上最早最通用的单字节编码系统，主要用来显示现代英语及其他西欧语言，不能表示中文成千上万个的单词。

ASCII 码用 7 位表示，只能表示 128 个字符。由于ASCII 的编码最高位总是 0，所以只定义了128 个字符，用7bit 即可完全编码 。

我在此列出一张某搜索平台检索到的ASCII 标准表。

见图：

ISO8859-1编码：

ISO-8859-1 又称 Latin-1，是一个 8 位单字节字符集，它把 ASCII 的最高位也利用起来，并兼容了 ASCII，新增的空间是 128，但它并没有完全用完。

在 ASCII 编码之上又增加了西欧语言、希腊语、泰语、阿拉伯语、希伯来语对应的文字符号，它是向下兼容 ASCII 编码。

见图：

汉字编码：

GB2312 全称为信息交换用汉字编码字符集，是中国于 1980 年发布，主要用于计算机系统中的汉字处理。GB2312 主要收录了 6763 个汉字、682 个符号。

GB2312覆盖了汉字的大部分使用率，但不能处理像古汉语等特殊的罕用字，所以后来出现了像 BK、B18030 这种编码。

GB2312 完全兼容 ISO8859-1。

GBK全称为 Chinese Internal Code Specification，即汉字内码扩展规范，于 1995 年制定。它主要是扩展了 GB2312，在它的基础上又加了更多的汉字，它一共收录了 21003 个汉字

GB18030现在最新的内码字集于 2000 年发布，并于 2001 年强制执行，包含了中国大部分少数民族的语言字符，收录汉字数超过 70000 余个。它主要采用单字节、双字节、四字节对字符编码，它是向下兼容 GB2312 和 GBK 的，虽然是我国的强制使用标准，但在实际生产中很少用到，用得最多的反而是 GBK 和 GB2312

Unicode：

Unicode 编码设计成了固定两个字节，所有的字符都用 16 位(2^16=65536)表示，包括之前只占 8 位的英文字符等物帮排，所以会造成空间的浪费，UNICODE 在很长的一段时间内都没有得到推广应用。

Unicode 完全重新设计，不兼容 iso8859-1，也不兼容任何其他编码。

UTF-8：

对于英文字母，unicode 也需要两个字节来表示。所以 unicode 不便于传输和存储。因此而产生了 UTF 编码，UTF-8 全称是（8-bit UnicodeTransformation Format）。

UTF 编码兼容 iso8859-1 编码，同时也可以用来表示所有语言的字符，不过，UTF 编码是不定长编码，每一个久吐字符的长度从 1-4 个字节不等。其中，英文字母都是用一个字节表示，而汉字使用三个字节。