python -- 字符串和編碼

字符串和編碼

數字--文本

ascii(bg2312,shift_jis,eur_kr)--unicode--utf-8

ord(""),chr()

1  Python提供了ord()函數獲取字符的整數表示，chr()函數把編碼轉換爲對應的字符：

>>> ord('A') 65 >>> ord('中') 20013 >>> chr(66) 'B' >>> chr(25991) '文' 

2.若是要在網絡上傳輸，或者保存到磁盤上，就須要把str變爲以字節爲單位的bytes。

Python對bytes類型的數據用帶b前綴的單引號或雙引號表示：

以Unicode表示的str經過encode()方法能夠編碼爲指定的bytes，例如：

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

純英文的str能夠用ASCII編碼爲bytes，內容是同樣的，含有中文的str能夠用UTF-8編碼爲bytes。含有中文的str沒法用ASCII編碼，由於中文編碼的範圍超過了ASCII編碼的範圍，Python會報錯。

在bytes中，沒法顯示爲ASCII字符的字節，用\x##顯示。

反過來，若是咱們從網絡或磁盤上讀取了字節流，那麼讀到的數據就是bytes。要把bytes變爲str，就須要用decode()方法：

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

要計算str包含多少個字符，能夠用len()函數：

>>> len('ABC') 3 >>> len('中文') 2 

len()函數計算的是str的字符數，若是換成bytes，len()函數就計算字節數：

>>> len(b'ABC') 3 >>> len(b'\xe4\xb8\xad\xe6\x96\x87') 6 >>> len('中文'.encode('utf-8')) 6 

可見，1箇中文字符通過UTF-8編碼後一般會佔用3個字節，而1個英文字符只佔用1個字節。

在操做字符串時，咱們常常遇到str和bytes的互相轉換。爲了不亂碼問題，應當始終堅持使用UTF-8編碼對str和bytes進行轉換。

3.常見的佔位符有：

%d	整數
%f	浮點數
%s	字符串
%x	十六進制整數

其中，格式化整數和浮點數還能夠指定是否補0和整數與小數的位數：

>>> '%2d-%02d' % (3, 1) ' 3-01' >>> '%.2f' % 3.1415926 '3.14' 

若是你不太肯定應該用什麼，%s永遠起做用，它會把任何數據類型轉換爲字符串：

>>> 'Age: %s. Gender: %s' % (25, True) 'Age: 25. Gender: True' 

有些時候，字符串裏面的%是一個普通字符怎麼辦？這個時候就須要轉義，用%%來表示一個%：

由於計算機只能處理數字，若是要處理文本，就必須先把文本轉換爲數字才能處理。最先的計算機在設計時採用8個比特（bit）做爲一個字節（byte），因此，一個字節能表示的最大的整數就是255（二進制11111111=十進制255），若是要表示更大的整數，就必須用更多的字節。好比兩個字節能夠表示的最大整數是65535，4個字節能夠表示的最大整數是4294967295。

因爲計算機是美國人發明的，所以，最先只有127個字符被編碼到計算機裏，也就是大小寫英文字母、數字和一些符號，這個編碼表被稱爲ASCII編碼，好比大寫字母A的編碼是65，小寫字母z的編碼是122。

可是要處理中文顯然一個字節是不夠的，至少須要兩個字節，並且還不能和ASCII編碼衝突，因此，中國製定了GB2312編碼，用來把中文編進去。

你能夠想獲得的是，全世界有上百種語言，日本把日文編到Shift_JIS裏，韓國把韓文編到Euc-kr裏，各國有各國的標準，就會不可避免地出現衝突，結果就是，在多語言混合的文本中，顯示出來會有亂碼。

 

所以，Unicode應運而生。Unicode把全部語言都統一到一套編碼裏，這樣就不會再有亂碼問題了。

Unicode標準也在不斷髮展，但最經常使用的是用兩個字節表示一個字符（若是要用到很是偏僻的字符，就須要4個字節）。現代操做系統和大多數編程語言都直接支持Unicode。

如今，捋一捋ASCII編碼和Unicode編碼的區別：ASCII編碼是1個字節，而Unicode編碼一般是2個字節。

字母A用ASCII編碼是十進制的65，二進制的01000001；

字符0用ASCII編碼是十進制的48，二進制的00110000，注意字符'0'和整數0是不一樣的；

漢字中已經超出了ASCII編碼的範圍，用Unicode編碼是十進制的20013，二進制的01001110 00101101。

你能夠猜想，若是把ASCII編碼的A用Unicode編碼，只須要在前面補0就能夠，所以，A的Unicode編碼是00000000 01000001。

新的問題又出現了：若是統一成Unicode編碼，亂碼問題今後消失了。可是，若是你寫的文本基本上所有是英文的話，用Unicode編碼比ASCII編碼須要多一倍的存儲空間，在存儲和傳輸上就十分不划算。

因此，本着節約的精神，又出現了把Unicode編碼轉化爲「可變長編碼」的UTF-8編碼。UTF-8編碼把一個Unicode字符根據不一樣的數字大小編碼成1-6個字節，經常使用的英文字母被編碼成1個字節，漢字一般是3個字節，只有很生僻的字符纔會被編碼成4-6個字節。若是你要傳輸的文本包含大量英文字符，用UTF-8編碼就能節省空間