【Python学习笔记】字符串和编码

【根据廖雪峰官方网站Python教程整理】

一、字符编码

1、字符串也是一种数据类型，计算机只能处理数字，如果要处理文本，就必须把文本转换为数字。

最早的计算机设计时采用8个比特（bit）作为一个字节，所以，一个字节能表示的最大数是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6535。

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

处理中文至少用两个字节且不能和ASCII编码冲突，所以，中国制定了GB2312编码，用中文编进去。世界上有百种语言，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，就会出现冲突，结果就是在多语言混合文本中，显示出来就会有乱码。

2、Unicode

Unicode把所有的语言都统一到一套编码里，这样就不会再有乱码的问题。

Unicode标准也在不断发展，但最常用的是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）。现代操作系统和大多数编码语言都直接支持Unicode。

3、ASCII和Unicode的区别

ASCII编码是1个字节，Unicode是2个字节。

字母A用ASCII编码是十进制的65，二进制的01000001；在前面补0可以转换成Unicode，因此A的Unicode的字符编码是00000000 01000001。

4、如果统一成Unicode编码，乱码的问题就消失了，但是如果你写的文本基本上是英文的话，用Unicode编码比ASCII编码需要一倍多的存储空间，在存储和传输上就十分不划算。

所以，出现了把Unicode转换为“可变长编码”UTF-8编码。

UTF-8编码把Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量的英文字符，用UTF-8编码就能节省空间。

5、三者比较

字符 ASCII             Unicode                              UTF-8

A    01000001        00000000 01000001           01000001

中     x                    01001110 00101101            11100100 10111000 10101101

UTF-8的另一个好处：ASCII可以看成是UTF-8的一部分，所以大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。

6、计算机系统通用的字符编码工作方式：

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换成为UTF-8。

用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件。

浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器。

所以网页的源码上会有类似<meta charset="UTF-8" />的信息，表示该网页正是用的UTF-8编码。

 

二、Python的字符串

1、在最新版的Python3里面，字符串是以Unicode编码的，也就是说，Python的字符支持多语言。

2、对于单个的字符的编码，Python提供了ord()函数获取字符的整数表示，chr()函数把编码转换为对应的字符。

3、如果知道字符的整数编码，还可以用十六进制这么写str

>>> '\u4e2d\u6587'

'中文'

两种写法完全是等价的。

4、由于Python的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节，如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes。

Python对bytes类型的数据用带B前缀的但隐含或双引号表示：

x = b'ABC'

注意区分‘ABC’和b‘ABC’，前者是str，否则虽然内容显示的和前者一样，但是bytes的每个字符都只占用一个字节。

以Unicode表示的str通过encode()方法可以编码为指定的bytes。

 

纯英文的str可以用ACII编码为bytes，内容是一样的，含有中文的str可以用UTF-8编码为bytes。含有中文的str无法用ASCII编码，因为中文编码的范围超过了ASCII编码的范围，Python会报错。

在bytes中，无法显示为ASCII字符的字节，用\x##显示。

反过来，如果我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。要把bytes变为str，就需要用decode()方法：

 

要计算str包含多少个字符，可以用len()函数：

Len()函数计算的是str的字符数，如果换成bytes，len()函数就计算字节数：

 

可见，一个中文字符经过UTF-8编码后通常会占用3个字节，而1个字节符只占用1个个字节。

在操作字符串时，经常遇到str和bytes的互相转换，为了避免乱码问题，应当始终坚持使用UTF-8编码对str和bytes进行转换。

由于python源代码也是一个文本文件，所以，当你的源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。当python解释器读取源代码时，为了让它们按UTF-8编码读取，我们通常在文件开头写上这两行：

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

第一行注释是为了告诉Linux/OS X系统这是一个python可执行程序，windows系统会忽略这个注释。

第二行注释为了告诉python解释器，按照UTF-8编码读取源代码，否则，你在源代码中写的中文输出可能会有乱码。

申明了UTF-8编码并不意味着你的.py文件就是UTF-8编码的，必须并且要确保文本编辑器正在使用UTF-8 without BOM编码。

 

三、格式化

输出格式化字符串，我们经常会输出类似'亲爱的xxx你好！你xx月的话费是xx，余额是xx'之类的字符串，而xxx的内容都是根据变量变化的，所以，需要一种简便的格式化字符串的方式。

采用和C语言一直的%来实现格式化

 

%运算符就是用来格式化字符串的。在字符串内部，%s表示用字符串替换，%d表示用整数替换，有几个%?占位符，后面就跟几个变量或者值，顺序要对应好。如果只有一个%?，括号可以省略。

常见的占位符有：

%d 整数

%f 浮点数

%s 字符串

%x 十六进制整数

 

其中，格式化整数和浮点数还可以指定是否补0和整数与小数的位数：

>>> '%2d-%02d' % (3, 1)

' 3-01'

>>> '%.2f' % 3.1415926

'3.14'

 

如果你不太确定应该用什么，%s永远起作用，它会把任何数据类型转换为字符串：

>>> 'Age: %s. Gender: %s' % (25, True)

'Age: 25. Gender: True'

 

有些时候，字符串里面的%是一个普通字符怎么办？这个时候就需要转义，用%%来表示一个%：

>>> 'growth rate: %d %%' % 7

'growth rate: 7 %'