python中文本字体_Python中的文本和字节

概述

最近工作中的项目同时使用到了 Python2 和 Python3 ，遇到了文本和字节方面的 tricks，自己之前对这方面不太了解，学习并总结一下。

编码介绍

Unicode 标准

Unicode 是用于表示文本以供计算机进行处理的通用字符编码标准。Unicode 标准提供了一种对多语种纯文本进行一致编码的方法，便于国际文本文件的交换。

字符 的最佳定义是 Unicode 字符 。Unicode 只是一个符号集，它只规定了符号的二进制代码，并没有规定这个二进制代码应该如何存储。

UTF-8

UTF-8 字符编码是 Unicode 的实现方式之一。

UTF-8 是一种变长的编码方式，它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

Python 中的文本和字节

Python3 中从 str 对象中获取的元素就是 Unicode 字符，可以通过 编码 (encode) 将 文本 转化为 字节。

然而 Python2 中从 str 对象中获取的元素是字节序列，只有通过 解码 (decode) 才能将 字节 转化为 文本 。

下面使用两个版本的 Python 对字符串进行操作以作解释：

# py3

>>> s = '123'

>>> type(s)

# 文本

>>> b = s.encode('utf-8')

>>> b

b'123'

>>> type(b)

# 字节序列

# py2

>>> s = '123'

>>> type(s)

# 这里是字节序列

>>> b = s.encode('utf-8')

>>> b

'123'

>>> type(b)

# 这里还是字节序列

>>> b.decode() # decode 出来的才是文本

u'123'

>>> type(b.decode())

# 文本

>>> c = '一二三'

>>> c

'\xe4\xb8\x80\xe4\xba\x8c\xe4\xb8\x89' # 字节序列

从上面的两个代码片段可以总结出 Python2 和 Python3 对于字符串处理上的区别：

Python 中的 u, b, r

Python 的字符串有时候前面会加一个 u ，r 或者 b ，其含义如下：

u ：表示字符串中的元素是 Unicode 字符。结合上面表格的结论，可以认为：在 Python3 中，字符串前面是否加 u 的效果是一致的。在 Python2 中，字符串前面加 u 表示其中的元素是 Unicode 字符，不加 u 表示 bytes。

b ：表示字符串中的元素是 Bytes。同结合上面表格的结论，可以认为：在 Python2 中，字符串前面是否加 b 的效果是一致的。在 Python3 中，字符串前面加 b 表示其中的元素是 bytes，不加 b 表示 Unicode 字符。

r ：表示字符串是 原始字符串(raw string) ，里面的字符都是 raw string literals ，与 Unicode 和 Bytes 无关，因此 Python2 和 Python3 中含义是一致的。它的作用是使解释器不会对诸如 \n, \t 等转义字符进行转义：

# py3

>>> s1 = '123\n123\t123'

>>> s1

'123\n123\t123'

>>> s2 = r'123\n123\t123'

>>> s2

'123\\n123\\t123' # 不转义

Python2 和 Python3 在字符串处理方面的兼容

既然 Python2 和 Python3 在字符串的处理方面有所不同，但是实际工作中却需要写出兼容两种版本的代码，那么应该如何处理呢？

我的做法是使用 __future__ 模块：

from __future__ import unicode_literals

该模块的作用是将 Python2 的字符串字面量的类型变为文本，而不是字节，因此与 Python3 是一样的。

举个栗子：

# py2

>>> from __future__ import unicode_literals

>>> s = '123'

>>> s

u'123'

>>> type(s)

# 文本

>>> b = b'123'

>>> b

'123'

>>> type(b)

# 字节

总结

目前 Python2 与 Python3 是并存的，因此在编写代码过程中需要注意其中的差异和兼容性，不然就要出锅了hhh，别问我为什么这么说 QuQ(虽然 Python2 在 2020 年 1 月就要停止维护了)。

参考