- 字符编码
字符串的编码问题比较特殊,计算机处理文本的时候需要把文本转换成数字。最早的计算机在设计时采用8个比特(bit)作为一个字节(byte),所以,一个字节能表示的最大的整数是255(二进制11111111=十进制255),如果要表示更大的整数,则必须用更多的字节,如两个字节65535
,4个字节4294967295
。
ASCII
编码最早只有127个字符(包含大小写英文字母、数字和一些符号),如大写字母A
的编码是65
,小写字母z
的编码是122
。
中国制定了GB2312
编码,用来把中文编进去,其他国家也有自己的标准,那么在多语言混合的文本中,显示就会出现乱码问题。
Unicode把所有语言都统一到一套编码里,解决乱码问题,其标准也在不断发展,但最常用的是UCS-16编码,用两个字节表示一个字符:
字母A
用ASCII编码是十进制的65
,二进制的01000001
;
字符0
用ASCII编码是十进制的48
,二进制的00110000
,注意字符'0'
和整数0
是不同的;
中文中
已经超出了ASCII编码的范围,用Unicode编码是十进制的20013
,二进制的01001110 00101101
。
如果把ASCII编码的A
用Unicode编码,只需要在前面补0就可以,即00000000 01000001
。
然而有一个新的问题:如果统一成Unicode编码,乱码问题从此消失了,但是如果写的文本基本上是全英文的话,用Unicode编码比ASCII编码要多一倍的存储空间,在存储和传输上就十分不划算。
本着节约的精神,出现了把Unicode编码转化为“可变长编码”的UTF-8
编码。UTF-8编码把一个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,如果要传输的文本包含大量英文字符,用UTF-8编码就能节省空间:
字符 | ASCII | Unicode | UTF-8 |
---|---|---|---|
A | 01000001 | 00000000 01000001 | 01000001 |
中 | x | 01001110 00101101 | 11100100 10111000 10101101 |
可以看出,ASCII编码实际上可以被看成是UTF-8编码的一部分,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。
所以,在现在计算机系统通用的字符编码方式为:
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,就转换为UTF-8编码。
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。
浏览网页时,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,所以很多网页的源码有类似的<meta charset="UTF-8" />
信息。
- Python的字符串
在最新的Python 3版本,字符串是以Unicode编码的,也就是说,Python的字符串支持多语言,对于单个字符的编码,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:
>>> ord('A')
65
>>> ord('中')
20013
>>> chr(66)
'B'
>>> chr(25991)
'文'
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'
由于Python的字符串类型是str
,在内存中以Unicode表示,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
前缀的单引号或双引号表示:
x = b'ABC'
,注意区分'ABC'
和b'ABC'
,前者是str
,后者虽然内容显示和前者一样,但bytes
的每个字符都只占用一个字节(仅对此例的ABC
,如果是别的字节数自然是不同)。
以Unicode表示的str
通过encode()
方法可以编码为指定的bytes
,例如:
>>> 'ABC'.encode('ascii')
b'ABC'
>>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中午'.encode('ascii')
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)
纯英文的str
可以用ASCII
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:
>>> b'ABC'.decode('ascii')
'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'
如果bytes
中包含无法解码的字节,decode()
方法会报错(这里有四个字节,但中文一般都是三个字节,\xff
部分是单独的、未定义的字节):
>>> b'\xe4\xb8\xad\xff'.decode('utf-8')
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte
如果bytes
中只有一小部分无效的字节,可以传入errors='ignore'
忽略错误的字节:
>>> b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore')
'中'
要计算str
包含多少个字符,可以用len()
函数:
>>> len('ABC')
3
>>> len('中文')
2
len()
函数计算的是str
的字符数,如果len()
函数里的内容换成bytes
,len()
函数就计算字节数:
>>> len(b'ABC')
3
>>> len(b'\xe4\xb8\xad\xe6\x96\x87')
6
>>> len('中文'.encode('utf-8'))
6
可见,1个中文字符经过UTF-8编码后通常会占用3个字节,而1个英文字符只占用1个字节。
在操作字符串时,我们经常遇到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;
第二行注释是为了告诉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,如果.py
文件本身使用UTF-8编码,并且也申明了# -*- coding: utf-8 -*-
,打开命令提示符测试就可以正常显示中文。
- 格式化
最后一个常见的问题是如何输出格式化的字符串。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
用%
实现:
>>> 'Hello, %s' % 'world'
'Hello, world'
>>> 'Hi, %s, you have $%d.' % ('Michael', 10000)
'Hi, Michael, you have $10000.'
%
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,顺序对应好。如果只有一个占位符%?
,括号可以省略。
常见的占位符有:
占位符 | 替换内容 |
---|---|
%d | 整数 |
%f | 浮点数 |
%s | 字符串 |
%x | 十六进制整数 |
格式化浮点数还可以指定小数的位数:
>>> print('%.2f' % 3.1415926)
3.14
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 %'
format()
另一种格式化字符串的方法是使用字符串的format()
方法,它会用传入的参数依次替换字符串内的占位符{0}
、{1}
…
>>> 'Hello,{0},成绩提升了 {1:.1f}%'.format('小明', 17.125)
'Hello,小明,成绩提升了 17.1%'
f-string
最后一种格式化字符串的方法是使用以f
开头的字符串,称之为f-string
,它和普通字符串不同之处在于,字符串如果包含{xxx}
,就会以对应的变量替换:
>>> r = 2.5
>>> s = 3.14 * r ** 2
>>> print(f'The area of a circle with radius {r} is {s:.2f}')
The area of a circle with radius 2.5 is 19.62
练习:小明成绩从72提升到85,计算提升的百分点,用字符串格式化显示出xx.x%
:
>>> s1 = 72
>>> s2 = 85
>>> r = (85 - 72) / 72 * 100
>>> print('%.1f%%' % r)
18.1%
>>> print(f'{r:.1f}%')
18.1%
>>> print('{0:.1f}%'.format(r))
18.1%
小结:Python 3的字符串使用Unicode,直接支持多语言,当str
和bytes
互相转换时,需要指定编码,无特殊要求牢记仅使用UTF-8
。格式化字符串的时候,可以用Python的交互式环境测试,方便快捷。
参考自:https://www.liaoxuefeng.com/
- 更新知识:
UTF-8可变1-4字节,UTF-8大部分用2个字节,UTF-32固定长度的4个字节,所以一般英文文本在ASCII用1个字节,UTF-8是很有优势的,对于中文文本,尽管UTF-8一般用3个字节,对于中文文本来说可能不如 UTF-16 在存储空间上高效(因为 UTF-16 通常用两个字节表示中文字符,而 UTF-8 使用三个字节),但 UTF-8 的其他优势使得它成为互联网和多语言环境中的首选编码。此外,对于大多数应用场景,增加的存储和传输开销是可以接受的,特别是考虑到它带来的便利性和兼容性。