python的字符串類型

字符編碼

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：

字符	ASCII	Unicode	UTF-8
A	01000001	00000000 01000001	01000001
中	x	01001110 00101101	11100100 10111000 10101101

從上面的表格還能夠發現，UTF-8編碼有一個額外的好處，就是ASCII編碼實際上能夠被當作是UTF-8編碼的一部分，因此，大量只支持ASCII編碼的歷史遺留軟件能夠在UTF-8編碼下繼續工做。

Python的字符串

在最新的Python 3版本中，字符串是以Unicode編碼的，也就是說，Python的字符串支持多語言。

一、單個字符

對於單個字符的編碼，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'

二、字符串

因爲Python的字符串類型是str，在內存中以Unicode表示，一個字符對應兩個字節。若是知道字符的整數編碼，還能夠用十六進制這麼寫str，如下兩種方式是徹底等價的。

>>> '\u4e2d'
'中'

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：x = b'ABC' 要注意區分'ABC'和b'ABC'，前者是str，後者雖然內容顯示得和前者同樣，但bytes的每一個字符都只佔用一個字節。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'
>>> '中文'.encode('ascii')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

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'

字符串的操做

一、字符串的基本操做

符號	操做
+	字符串鏈接
*	字符串重複
[]	經過索引獲取指定的字符
[起始:結束:步長]	獲取字符串起始位至結束位的字符（包括起始位，不包括結束位）

二、字符串的轉義和禁止轉義

在須要在字符中使用特殊字符時，python用反斜槓()轉義字符。見轉義表。 若是但願進制轉義，能夠在字符串前面加上r。

>>> s = 'hello,\tI am david.'
>>> t = r'hello,\tI am david.'
>>> print(s)	# \t已經轉義爲Tab鍵
hello,  I am david.
>>> print(t)	# \t沒有轉義，直接顯示出來。
hello,\tI am david.

三、字符串的相關函數

capitalize() 首字母大寫 upper() 將全部英文字符變爲大寫 lower（） 將全部英文字符變爲小寫 title() 按照標題格式進行大小寫轉換（每一個單詞首字母大寫） count() 計算一個字符串中出現指定字符串的次數 find() 查找字符串中是否具備指定的字符串 split() 使用指定的字符將字符串卷拆解成多個字符串 lstrip() 去掉字符串左側的空白 rstrip()去掉字符串右側的空白 strip()去掉字符串兩側的空白 replace() 字符串替換操做

四、字符串的格式化

在python3中主要使用format()函數來進行字符串的格式化，format()函數在格式化的過程當中與{}和:一塊兒使用。具體使用方式以下：

# 經過位置傳遞
>>> print('{0} love {1}'.format('Adam','Bob'))
Adam love Bob
# 經過關鍵字傳遞
>>> print('{a} love {b}'.format(a='Adam',b='Bob'))
Adam love Bob
# 將list與dict型數據做爲參數傳入
>>> l = ['Adam','Bob']	list型數據做爲參數傳入
>>> print('{0[0]} love {0[1]}'.format(l))
Adam love Bob
>>> d = {'a':'Adam','b':'Bob'}	dict型數據做爲參數傳入
>>> print('{a} love {b}'.format(**d))
Adam love Bob