Python中的Unicode
在Python 2.7的文档中，有三条关于Unicode的规则，简单来说就是：
如果代码点小于128，它就用对应的字节值表示。
如果代码点在128到
0x7ff之间，它会变成两个字节值，这两个值在128到255之间。如果代码点大于
0x7ff，它会变成三个或四个字节的序列，每个字节的值也在128到255之间。
然后我做了一些测试：
>>>> unichr(40960)
u'\ua000'
>>> ord(u'\ua000')
40960
在我看来，40960是一个大于0x7ff的代码点，所以它应该变成三个或四个字节的序列，每个字节的值在128到255之间，但它却只变成了两个字节的序列，而且在u'\a000'中出现的'00'的值小于128，这和上面提到的规则不符。为什么会这样呢？
更有意思的是，我发现了一些其他的Unicode字符，比如u'\u1234'等。我发现它里面的值（"12"和"34"）也小于128，但根据之前提到的理论，它们不应该小于128。我是不是漏掉了什么理论呢？
谢谢大家的回答。
3 个回答
这些规则只适用于UTF-8编码。Python内部使用的是UCS-2或UCS-4，这两种编码的字符大小是固定的。
“每个软件开发者绝对、肯定必须了解的关于Unicode和字符集的最低限度知识（没有借口！）”
... 而u'\a000'中的值'00'小于128，这和上面提到的规则不匹配。
我甚至不想知道你为什么会觉得它们可以这样分开...
你提到的内容显然来自于Unicode HOWTO（你最好能告诉我们这个信息的来源，最好附上链接），它描述的是UTF-8的情况。实际上，它并没有说这是Python 2.7如何表示Unicode字符的，反而是说了相反的内容：
在内部，Python将Unicode字符串表示为16位或32位的整数，这取决于Python解释器是如何编译的。
在Python 2.7的文档中，有关于Unicode的三个规则，描述如下：
这其实是在讲UTF-8编码。
然后我做了一些测试：
\ua000 是一个转义序列，用来表示一个Unicode字符。这里的 a000 是这个字符的数字编码值的十六进制表示。它和 UTF-8编码没有关系。
当你明确地使用UTF-8编码来编码一个Unicode字符串时，才会得到UTF-8编码。