第五章 字符串与正则表达式

1.字符串编码
ASCII(American Standard Code for Information Interchange,美国信息交换标准代码）是基于拉丁字母的一套计算机编码系统，主要用于显示现代英语和其他西欧语言。它是现今最通用的单字节编码系统，并等同于国际标准ISO/IEC646。
ASCII码使用指定的7位或8位二进制数组合来表示128或256种可能的字符。标准ASCII码也叫基础ASCII码，使用7位二进制数（剩下的最高位为二进制0）来表示所有的大写和小写字母、数字0到9、标点符号，以及在美式英语中使用的特殊控制字符。128到255为扩展ASCII。
标准ASCII与字符的对照表如下表所示。

但是不同国家有不同的语言，也就有不同的编码。中国制定了GB2312编码，日本制定了Shift_JIS编码，韩国制定了Euc-kr编码，而不同的编码格式之间差别很大，如果一篇文章既有英文，又有中文，还有日文，则无论采用哪个国家的编码，都会出现乱码。
Unicode编码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。最常用的Unicode编码是用2字节表示一个字符（如果要用到非常偏僻的字符，就需要4字节）。采用Unicode编码，乱码问题是没有了，但新的问题又出来了，如果有一篇文章全是英文的话，用Unicode 编码比ASCII编码需要多一倍的存储空间，这样既浪费存储空间又影响传输速度。后来又出现了UTF-8编码。
UTF-8编码是“可变长编码”，它可以使用1~4字节表示一个符号，根据不同的符号而变化字节长度。UTF-8编码以一字节表示英语字符（兼容ASCII)，以3字节表示中文，还有一些语言使用2字节或4字节。注意：Unicode编码中一个中文字符占2字节，而UTF-8编码中一个中文字符占3字节。从Unicode到UTF-8并不是直接对应，而是要经过一些算法和规则来转换的。GB2312是我国制定的中文编码，GBK是对GB2312的扩充，CP936是微软公司在GBK基础上开发的Windows下的中文编码方式。这些编码均使用2字节表示中文。Python3支持两种类型字符串：str类型（支持U