str.encode() 给出意想不到的结果

Question

我一直在玩 python 内置函数，并得到了一些令人困惑的（对我来说）结果。

看看这段代码：

>>> 'ü'.encode()
b'\xc3\xbc'

为什么\xc3\xbc返回（十进制的 195 和 188）？如果您查看ascii 表，我们会看到它ü是第 129 个字符。或者，如果您查看此处，我们会看到这ü是第 252 个 Unicode 字符，这就是您从中得到的

>>> ord('ü')
252

那么来自哪里\xc3\xbc，为什么它被分成两个字节？当你 decode: 时b'\xc3\xbc'.decode()，它怎么知道这两个字节是一个字符？

Answer 1

在您正在查看的表格上，您正在查看标题为“扩展 ASCII”的部分，在ISO/IEC 8859或 latin1 中更为常见。ASCII 作为字符集，定义了 0 到 127 之间的 7 位字符。latin1 定义了其他 128 个单字节字符，是 ASCII 的扩展。Python 使用 UTF-8，它扩展了 ASCII（因此与它兼容）但与 latin1 不兼容。

字符 ü 具有 Unicode 代码点 0xFC（十进制为 252），并且在使用 UTF-8 时，使用两个字符进行编码。

许多在线 ASCII 表都弄错了。将代码点称为 128 到 255 个 ASCII 字符是不准确的，因为 ASCII 没有声称为这些代码点分配任何值。