python與中文的那點事

目錄

• python與中文的那點事
  • 1. utf-8/gbk/unicode/ASCII
  • 2.各類編碼之間的轉換
  • 3. 統計字符串中數字,字母,漢字的個數

python與中文的那點事

在學習python的過程當中，發如今python2與python3中對中文的處理有所不一樣，因此這篇文章就來探討一下這些不一樣

1. utf-8/gbk/unicode/ASCII

  咱們都知道，在計算機內部全部的信息均可以被表示成二進制的字符串，每個二進制位有1和0兩種狀態，所以8位的二進制數能夠表示256種狀態，這也被稱爲字節(byte)，也就是一個字節能夠表示能夠用來表示256種不一樣的狀態，每個狀態都對應一個符號；上個年代美國製定了一套字符編碼，對應英文字母與二進制之間的關係，作了統一的規定。這被稱爲ASCII，一直沿用至今。
  
  固然設計上存在不少的編碼方式，同一個二進制也能夠被解釋成不一樣的符號，所以想要打開一個文件就必需要知道它的編碼方式，不然用錯誤的編碼方式進行讀取，就會產生亂碼。因此說若是有一種編碼，能適應世界上全部的編碼規則，那麼就能夠解決掉全部的亂碼問題。因此Unicode這套編碼規則就被設計出來了，Unicode固然是一個很大的合集，能夠容納100多萬個符號，每一個符號的編碼都不同，可是要注意到的是，Unicode只是一個符號集，他並無規定這個二進制如何去存儲，因此有些字符是用2個字節存儲，有的是三個或者四個字節進行存儲，甚至更多。那麼這樣的話就會有一個問題，就是計算機應該如何肯定究竟是三位字節決定一個符號，仍是兩字節決定一個符號。這樣形成的結果就是會產生多種的Unicode編碼方式，也就是說有不一樣的二進制格式，因此不能進行有效的推廣。
  
  隨着互聯網的普及，須要一種可以統一的編碼方式，utf-8就是在互聯網上是用最廣的一種Unicode實現的方法，其餘方法還有UFT-18和UTF-32，不過如今在互聯網上基本不是很通用，因此要強調的是UTF-8是Unicode的一種實現方式。UTF-8最大的一個特色就是它是一種變長的編碼模式；它能夠用1~4個字節表示一個符號，根據不一樣的符號而變化字節長度。
  
  另外，UTF-8是Unix下的通用編碼，能夠對漢字進行編碼；gbk是win環境下的一種漢字編碼格式。全部的UTF-8和gbk編碼都得經過Unicode編碼進行轉換，而UTF-8和gbk之間不能相互轉換，要在Unicode過個場。

  

  在下面代碼中：

# -*- coding:utf-8 -*-
s='漢字'
print(s)

  s是一串utf-8編碼的漢字，在print的時候，先把utf-8轉化成unicode再輸出成正產顯示的漢字。

2.各類編碼之間的轉換

  python中有兩個很好用的函數decode()和encode()。
  decode('utf-8') 是從utf-8編碼轉換成unicode編碼，固然括號裏也能夠寫'gbk'。
  encode('gbk') 是將unicode編碼編譯成gbk編碼，固然括號裏也能夠寫'utf-8'。
假如我知道一串編碼是用gbk編寫的，怎麼轉成utf-8呢?

s.decode('utf-8').encode('gbk')

  那麼這樣就有一個有意思的小問題，如何看一個漢字分別用utf-8和gbk編碼所用的位數，咱們用代碼演示一下：

#python3 中能夠直接進行編碼
>>> len("測試代碼".encode("utf-8"))
12
>>> len("測試代碼".encode("gbk"))
8
#由於在Python3中默認就是unicode編碼

#python2中須要先decode 一次
>>> len("測試代碼".decode("utf-8").encode("utf-8"))
12
>>> len("測試代碼".decode("utf-8").encode("gbk"))
8

Python3.0中默認的編碼類型就是Unicode了，在python2.x中默認編碼是ascill。

3. 統計字符串中數字,字母,漢字的個數

#re模塊,實現正則匹配
import re

str_test = 'asdfghjkl123456測試代碼'
num_regex = re.compile(r'[0-9]')
alphabet_regex = re.compile(r'[a-zA-z]')
chzn_regex = re.compile(r'[\u4E00-\u9FA5]')

print('輸入字符串:',str_test)
#findall獲取字符串中全部匹配的字符
num_list = num_regex.findall(str_test)
print('包含的數字:',num_list)
alphabet_list = alphabet_regex.findall(str_test)
print('包含的字母:',alphabet_list)
chzn_list = chzn_regex.findall(str_test)
print('包含的漢字:',chzn_list)
print('數字個數：',len(num_list))
print('字母個數：',len(alphabet_list))
print('漢字個數：',len(chzn_list))

輸出結果：

輸入字符串: asdfghjkl123456測試代碼
包含的數字: ['1', '2', '3', '4', '5', '6']
包含的字母: ['a', 's', 'd', 'f', 'g', 'h', 'j', 'k', 'l']
包含的漢字: ['測', '試', '代', '碼']
數字個數： 6
字母個數： 9
漢字個數： 4