python字符串用什么表示_字符串编码及Python字符串编码

1、字符与字节有什么区别

（一）字节

字节（Byte）是一种计量单位，表示数据量多少，主要用于存储和网络传输。1 byte=8 bit （KB,M）

（二）字符

字符是指计算机中使用的文字和符号，比如1、2、3、A、B、C、~！·#￥%……

（三）“字节”与“字符”

它们完全不是一个位面的概念，不同编码里，字符和字节的对应关系不同：

①ASCII码中，一个英文字母（不分大小写）占一个字节的空间，一个中文汉字占两个字节的空间。一个二进制数字序列，在计算机中作为一个数字单元，一般为8位二进制数，换算为十进制。最小值0，最大值255。

②UTF-8编码中，一个英文字符=一个字节，一个中文（含繁体）=三个字节。

③Unicode编码中，一个英文等于=两字节，一个中文（含繁体）=两个字节。

符号：英文标点占一个字节，中文标点占两个字节。举例：英文句号“.”占1个字节的大小，中文句号“。”占2个字节的大小。x表示无的意思,utf8英文省空间

字符（不同方式编码给人看），字节（计算机看）

ASCII: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。

我们平时说的 ASCII 其实有两个含义，一个是 ASCII 字符集，另一个是 ASCII 编码。

ASCII 字符集只是定义了字符与字符码（character code，也称 code point 代码点）的对应关系。也就是说这一层面只是规定了字符A用 65 表示，至于

这个 65 在内存或硬盘中怎么表示，它不管，那是 ASCII 编码做的事。

ASCII 编码规定了用 7 个二进制位保存 ASCII 字符码(定义字符集的存储形式)，剩下 1 位为 Parity bit，也称为校验位，用以检查数据的正确性。

Unicode把所有语言都统一到一套编码里，不会有乱码问题。(所有文字用这个)。

UTF-8:本着节约的精神，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。

>>> '中'.encode('ascll')

Traceback (most recent call last):

File "", line 1, in

LookupError: unknown encoding: ascll

>>> '中'.encode('utf-8') #编码encode给计算机看

b'\xe4\xb8\xad'

>>> b'\xe4\xb8\xad'

b'\xe4\xb8\xad'

>>> b'\xe4\xb8\xad'.decode('utf-8') #解码decode给人看

'中'字符、代码点、二进制字节关系图

Character 字符。即我们看到的单个符号，像“A”、“啊”等

Code point 代码点。一个无符号数字，通常用16进制表示。代码点与字符的一一对应关系称为字符集（Character Set），这种对应关系肯定不止一种，也

就导致了不同字符集的出现，像 ASCII、ISO-8859-1、GB2312、GBK、Unicode 等。

Bytes 二进制字节。其含义为代码点在内存或磁盘中的表示形式。代码点与二进制字节的一一对应关系称为编码（Encoding），当然这种对应关系也不是唯

一的，所以编码也有很多种，像 ASCII、ISO-8859-1、ENC-CN、GBK、UTF-8等。

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。记事本存在硬盘上面

浏览网页的时候，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：也是存在硬盘上面

Python 3版本中，字符串以Unicode编码

>>> print('包含中文的str')

包含中文的str

Python的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节。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') #utf8占3字节

b'ABC' #还是3字节

>>> '中文'.encode('utf-8')

b'\xe4\xb8\xad\xe6\x96\x87'

>>> '中文'.encode('ascii') #无

Traceback (most recent call last):

File "", line 1, in

UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

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'

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。

格式化

format()

>>> 'Hello, {0}, 成绩提升了 {1:.1f}%'.format('小明', 17.125)

'Hello, 小明, 成绩提升了 17.1%'

当str和bytes互相转换时，需要指定编码。最常用的编码是UTF-8。Python当然也支持其他编码方式，比如把Unicode编码成GB2312：

>>> '中文'.encode('gb2312')

b'\xd6\xd0\xce\xc4'

但这种方式纯属自找麻烦，如果没有特殊业务要求，请牢记仅使用UTF-8编码。