Python中的字符串

在Python中，字符串的类型可以归为三类：str，bytes，bytearray，其中str和bytes是不可变类型，而bytearray是可变类型。由于Python 2.X和Python 3.X的区别，相应的，它们在Python 2.X和Python 3.X中有不同的意义。

 

在Python 2.X中，str即可以表示8bit的文本(例如ASCII文本，Latin-1文本)，也可以表示二进制数据，也就是说，在Python 2.X中，str和bytes类型是等价的；如果要表示Unicode文本，需要单独使用unicode字符串；而bytearray只有在Python 2.6中才有，表示可以修改的bytes数据；

在Python 3.X， str表示Unicode文本，bytes表示二进制数据，二者不等价；bytearray和Python 2.X中的意义一样，也表示可以修改的bytes数据。

所有的的字符串问题，包括读写文件，都可以归纳为上述问题。

 

str、bytes和bytearray相互转换

1 Python 2.X

# str与bytes等价
>>>B = b'spam'          # bytes字面量
>>>S = 'eggs'            # str字面量
>>>type(B), type(S)
(<type 'str'>, <type 'str'>)


# str与unicode的转换，也即bytes与unicode的转换
>>>str(u'spam')     #unicode转换为str
spam
>>>unicode('spam')   #str转换为unicode，unicode函数可以选择编码，默认是平台编码
u'spam'


# str与bytearray的转换，也即bytes与bytearray的转换
>>>S = 'spam'
>>>C = bytearray(S)
>>>C
bytearray(b'spam')

 

2 Python 3.X

# str与bytes的转换，有两种方法:
# 1 使用str类型的encode方法
# 2 使用bytes函数
>>>S = 'eggs'
>>>S.encode()
b'eggs'
>>>bytes(S, encoding='ascii')
b'eggs'


# bytes与str的转换，有两种方法:
# 1 使用bytes类型的decode方法
# 2 使用str函数
>>>B = b'spam'
>>>B.decode()
'spam'
>>>str(B, encode='asci')
'spam'



# str与bytearray的转换
>>>S = 'spam'
>>>C = bytearray(S, 'latin1')   # 必须指明编码
>>>C
bytearray(b'spam')


# bytes与bytearray的转换
>>>B = b'spam'
>>>C = bytearray(B)
>>>C
bytearray(b'spam')

对于上面的由bytes转换为str的例子，如果调用str函数不传递编码参数'ascii'，那么str函数并不是使用平台的默认编码，而是返回bytes对象的一个print string，看例子就明白了：

>>>B = b'spam'
>>>str(B)
"b'spam'"

 

字面量的表示方法

1 Pyhon 2.X

在Python 2.X中，声明字面量可以使用前缀b/B，u/U。其中对于Python 2.X来说，不使用前缀和使用前缀b/B的效果是一样的，都表示str(或者bytes)类型，如果要表示unicode字符串，则必须带前缀u/U。

 

2 Python 3.X

在Python 3.X中，声明字面量可以使用b/B,u/U前缀。其中，对于Python 3.X来说，不使用前缀和使用前缀u/U的效果是一样的，都表示str类型(也即unicode字符串)，如果要表示bytes类型，那么必须加前缀b/B。但是需要注意一点的就是，u/U前缀在Python 3.0中不支持。

 

字面量中嵌入字符编码

Python支持在字符串字面量中直接嵌入字符编码，字符编码的形式可以为\xNN，也可以是\uNNNN，也可以是\UNNNNNNNN。

1 Python 2.X

由于str类型(也即是bytes类型)在Python 2.X中是8bit的，因此只能使用\XNN的形式；对于unicode字符串，可以使用上面三种形式：

>>>S = '\x31'        # 字符'1'的编码为\x31
>>>S
'1'

>>>S = '\u0031'      # \u形式不支持
>>>S
'\\u0031'

>>>S = '\U00000031'  # \U形式不支持
>>>S
'\\U00000031'

>>>S = u'\x31'
>>>S
u'1'

>>>S = u'\u0031'
>>>S
u'1'

>>>S = '\U00000031'
>>>S
u'1'

 

2 Python 3.X

由于Python 3.X中str类型就是unicod的，所以支持上述三种形式，相反，Python 3.X中的bytes类型只支持\xNN：

>>>S = '\x31'     
>>>S
'1'

>>>S = '\u0031'
>>>S
'1'

>>>S = '\U00000031'
>>>S
'1'


>>>S = b'\x31'
>>>S
b'1'

>>>S = b'\u0031'         #不识别
>>>S
b'\\u0031'

>>>S = b'\U00000031'       #不识别
>>>S
b'\\U00000031'

为了进一步的理解，我们可以使用len函数来看长度。对于Python 2.X和Python 3.X，凡是打印出字符'1'的，使用len计算长度都是1，凡是不识别的，对于\u形式，len计算的长度是6，对于\U形式，len计算的长度是10。

 

类型混用

1 Python 2.X

在Python 2.X中，如果unicode字符串与bytes类型(也即str类型)混用，如果bytes类型中只包含ASCII字符，那么，Python自动将bytes类型转换成unicode字符串：

>>>u'ab' + 'cd'
u'abcd'

>>>u'ab' + 'cd\xef'           # 含有非ASCII字符，不支持
UnicdoeDecodeError:'ascii' codec can't decode byte 0xef in position 2:orinal not in range(120)

 

2 Python 3.X

unicode字符串与bytes类型混用，Python不会自动转换，必须手动转换成统一类型，要么统一成unicode字符串，要么统一成bytes类型。