python的字符串类型

2019独角兽企业重金招聘Python工程师标准>>>

字符编码

因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。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就是255（二进制11111111=十进制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65535，4个字节可以表示的最大整数是4294967295。由于计算机是美国人发明的，因此，最早只有127个字符被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122。但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以，中国制定了GB2312编码，用来把中文编进去。你可以想得到的是，全世界有上百种语言，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，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。因此，Unicode应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。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程语言都直接支持Unicode。 现在，捋一捋ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码通常是2个字节。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。汉字中已经超出了ASCII编码的范围，用Unicode编码是十进制的20013，二进制的01001110 00101101。你可以猜测，如果把ASCII编码的A用Unicode编码，只需要在前面补0就可以，因此，A的Unicode编码是00000000 01000001。 新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。所以，本着节约的精神，又出现了把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。如果你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

从上面的表格还可以发现，UTF-8编码有一个额外的好处，就是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。

Python的字符串

在最新的Python 3版本中，字符串是以Unicode编码的，也就是说，Python的字符串支持多语言。

1、单个字符

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'

2、字符串

由于Python的字符串类型是str，在内存中以Unicode表示，一个字符对应两个字节。如果知道字符的整数编码，还可以用十六进制这么写str，以下两种方式是完全等价的。

>>> '\u4e2d'
'中'

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' 要注意区分'ABC'和b'ABC'，前者是str，后者虽然内容显示得和前者一样，但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，例如：

>>> 'ABC'.encode('ascii')
b'ABC'
>>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中文'.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'

字符串的操作

1、字符串的基本操作

符号	操作
+	字符串连接
*	字符串重复
[]	通过索引获取指定的字符
[起始:结束:步长]	获取字符串起始位至结束位的字符（包括起始位，不包括结束位）

2、字符串的转义和禁止转义

在需要在字符中使用特殊字符时，python用反斜杠()转义字符。见转义表。 如果希望进制转义，可以在字符串前面加上r。

>>> s = 'hello,\tI am david.'
>>> t = r'hello,\tI am david.'
>>> print(s)	# \t已经转义为Tab键
hello,  I am david.
>>> print(t)	# \t没有转义，直接显示出来。
hello,\tI am david.

3、字符串的相关函数

capitalize() 首字母大写 upper() 将所有英文字符变为大写 lower（） 将所有英文字符变为小写 title() 按照标题格式进行大小写转换（每个单词首字母大写） count() 计算一个字符串中出现指定字符串的次数 find() 查找字符串中是否具有指定的字符串 split() 使用指定的字符将字符串卷拆解成多个字符串 lstrip() 去掉字符串左侧的空白 rstrip()去掉字符串右侧的空白 strip()去掉字符串两侧的空白 replace() 字符串替换操作

4、字符串的格式化

在python3中主要使用format()函数来进行字符串的格式化，format()函数在格式化的过程中与{}和:一起使用。具体使用方式如下：

# 通过位置传递
>>> print('{0} love {1}'.format('Adam','Bob'))
Adam love Bob
# 通过关键字传递
>>> print('{a} love {b}'.format(a='Adam',b='Bob'))
Adam love Bob
# 将list与dict型数据作为参数传入
>>> l = ['Adam','Bob']	list型数据作为参数传入
>>> print('{0[0]} love {0[1]}'.format(l))
Adam love Bob
>>> d = {'a':'Adam','b':'Bob'}	dict型数据作为参数传入
>>> print('{a} love {b}'.format(**d))
Adam love Bob

转载于:https://my.oschina.net/u/3861934/blog/1916570