字符串相关的复习

Unicode UTF8 ASCII的补充

字符(Character)是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等

字符集(Character set)是多个字符的集合

字符集包括：ASCII字符集、GB2312字符集、GB18030字符集、Unicode字符集等

ASCII编码是1个字节，而Unicode编码通常是2个字节。

UTF-8是Unicode的实现方式之一，UTF-8是它是一种变长的编码方式，可以是1，2，3个字节

了解更多请看故事：ascii和unicode以及utf-8的起源

python3中的字符串

python3中两种字符串类型：

• str : unicode的呈现形式

• bytes :字节类型，互联网上数据的都是以二进制的方式(字节类型)传输的

使用方法:

• str 使用encode方法转化为 bytes
• bytes 通过decode转化为 str

编码方式解码方式必须一样，否则就会出现乱码

python2中的字符串

python2中字符串有两种类型

• unicode类型
• 字节类型
  在Python2中，字符串无法完全地支持国际字符集和Unicode编码。为了解决这种限制，Python2对Unicode数据使用了单独的字符串类型。要输入Unicode字符串字面量，要在第一个引号前加上’u’。

Python2中普通字符串实际上就是已经编码(非Unicode)的字节字符串。

python2中的字节类型字符串

python2 中定义字符串的时候，会自动将字符串转换为合适编码的字节字符串，比如中文：自动转换为utf-8编码的字节字符串

看下面的例子：

>>> a = "达内科技" #如此定义字符串的时候，其为字节类型
>>> a '\xe4\xbc\xa0\xe6\x99\xba\xe6\x92\xad\xe5\xae\xa2'
>>> type(a) <type 'str'>

上面的这种定义和在字符串前面加上b的效果一样

>>> c = b"达内科技"
>>> c
'\xe4\xbc\xa0\xe6\x99\xba\xe6\x92\xad\xe5\xae\xa2'
>>> type(c)
<type 'str'>
>>> c.decode("utf-8")
u'\u4f20\u667a\u64ad\u5ba2'

由于a已经是字节类型，所以只能对其进行解码，转化为str类型

>>> a.encode("utf-8")
Traceback
(most recent call last): File "<stdin>", line 1, in <module>

UnicodeDecodeError: 'ascii' codec can't decode byte 0xe4 in position 0: ordinal not in range(128)

>>> a.decode("utf-8")
u'\u4f20\u667a\u64ad\u5ba2'

python2中的unicode类型字符串

如果需要定义unicode字符串，即非字节类型的字符串的时候需要在前面加上u

>>> b = u"达内科技"
>>> b u'\u4f20\u667a\u64ad\u5ba2'
>>> type(b)
<type 'unicode'>
>>> b.encode("utf-8") '\xe4\xbc\xa0\xe6\x99\xba\xe6\x92\xad\xe5\xae\xa2'

python2中字节类型和unicode类型的转化

字节类型通过decode转化为unicode类型
unciode类型通过encode方法转化为字节类型
方法的使用和python3相同，但是在方法中默认的编解码方式为ascii，对中文需要手动指定为utf-8

>>> b
u'\u4f20\u667a\u64ad\u5ba2'

>>> b.encode()
Traceback
(most recent call last): File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-3: ordinal not in range(128)

>>> b.encode("utf-8") '\xe4\xbc\xa0\xe6\x99\xba\xe6\x92\xad\xe5\xae\xa2'
>