Python字符串和编码

• 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。