字符串和編碼

字符編碼

字符串也是一種數據類型，可是，字符串比較特殊的是還有一個編碼問題。

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個字母被編碼到計算機裏，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。

搞清楚了ASCII、Unicode和UTF-8的關係，咱們就能夠總結一下如今計算機系統通用的字符編碼工做方式：

在計算機內存中，統一使用Unicode編碼，當須要保存到硬盤或者須要傳輸的時候，就轉換爲UTF-8編碼。

用記事本編輯的時候，從文件讀取的UTF-8字符被轉換爲Unicode字符到內存裏，編輯完成後，保存的時候再把Unicode轉換爲UTF-8保存到文件：

瀏覽網頁的時候，服務器會把動態生成的Unicode內容轉換爲UTF-8再傳輸到瀏覽器：

 

因此你看到不少網頁的源碼上會有相似<meta charset="UTF-8" />的信息，表示該網頁正是用的UTF-8編碼。

 

Python的字符串：

搞清楚了使人頭疼的字符編碼問題後，咱們再來研究Python對Unicode的支持。

由於Python的誕生比Unicode標準發佈的時間還要早，因此最先的Python只支持ASCII編碼，普通的字符串'ABC'在Python內部都是ASCII編碼的。Python提供了ord()和chr()函數，能夠把字母和對應的數字相互轉換：

>>> ord('A') 65 >>> chr(65) 'A' 

Python在後來添加了對Unicode的支持，以Unicode表示的字符串用u'...'表示，好比：

>>> print u'中文' 中文 >>> u'中' u'\u4e2d' 

寫u'中'和u'\u4e2d'是同樣的，\u後面是十六進制的Unicode碼。所以，u'A'和u'\u0041'也是同樣的。

兩種字符串如何相互轉換？字符串'xxx'雖然是ASCII編碼，但也能夠當作是UTF-8編碼，而u'xxx'則只能是Unicode編碼。

把u'xxx'轉換爲UTF-8編碼的'xxx'用encode('utf-8')方法：

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

英文字符轉換後表示的UTF-8的值和Unicode值相等（但佔用的存儲空間不一樣），而中文字符轉換後1個Unicode字符將變爲3個UTF-8字符，你看到的\xe4就是其中一個字節，由於它的值是228，沒有對應的字母能夠顯示，因此以十六進制顯示字節的數值。len()函數能夠返回字符串的長度：

>>> len(u'ABC') 3 >>> len('ABC') 3 >>> len(u'中文') 2 >>> len('\xe4\xb8\xad\xe6\x96\x87') 6 

反過來，把UTF-8編碼表示的字符串'xxx'轉換爲Unicode字符串u'xxx'用decode('utf-8')方法：

>>> 'abc'.decode('utf-8') u'abc' >>> '\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8') u'\u4e2d\u6587' >>> print '\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8') 中文 

因爲Python源代碼也是一個文本文件，因此，當你的源代碼中包含中文的時候，在保存源代碼時，就須要務必指定保存爲UTF-8編碼。當Python解釋器讀取源代碼時，爲了讓它按UTF-8編碼讀取，咱們一般在文件開頭寫上這兩行：

#!/usr/bin/env python # -*- coding: utf-8 -*- 

第一行註釋是爲了告訴Linux/OS X系統，這是一個Python可執行程序，Windows系統會忽略這個註釋；

第二行註釋是爲了告訴Python解釋器，按照UTF-8編碼讀取源代碼，不然，你在源代碼中寫的中文輸出可能會有亂碼。

 

格式化

 最後一個常見的問題是如何輸出格式化的字符串。咱們常常會輸出相似'親愛的xxx你好！你xx月的話費是xx，餘額是xx'之類的字符串，而xxx的內容都是根據變量變化的，因此，須要一種簡便的格式化字符串的方式。

 

在Python中，採用的格式化方式和C語言是一致的，用%實現，舉例以下：

>>> 'Hello, %s' % 'world' 'Hello, world' >>> 'Hi, %s, you have $%d.' % ('Michael', 1000000) 'Hi, Michael, you have $1000000.' 

你可能猜到了，%運算符就是用來格式化字符串的。在字符串內部，%s表示用字符串替換，%d表示用整數替換，有幾個%?佔位符，後面就跟幾個變量或者值，順序要對應好。若是隻有一個%?，括號能夠省略。

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' 

對於Unicode字符串，用法徹底同樣，但最好確保替換的字符串也是Unicode字符串：

>>> u'Hi, %s' % u'Michael' u'Hi, Michael' 

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%：

>>> 'growth rate: %d %%' % 7 'growth rate: 7 %' 

 

小結

因爲歷史遺留問題，Python 2.x版本雖然支持Unicode，但在語法上須要'xxx'和u'xxx'兩種字符串表示方式。

Python固然也支持其餘編碼方式，好比把Unicode編碼成GB2312：

>>> u'中文'.encode('gb2312') '\xd6\xd0\xce\xc4' 

但這種方式純屬自找麻煩，若是沒有特殊業務要求，請牢記僅使用Unicode和UTF-8這兩種編碼方式。

在Python 3.x版本中，把'xxx'和u'xxx'統一成Unicode編碼，即寫不寫前綴u都是同樣的，而以字節形式表示的字符串則必須加上b前綴：b'xxx'。

格式化字符串的時候，能夠用Python的交互式命令行測試，方便快捷。

 

 

注：ASCII最先，可是不支持中文；unicode支持中文，可是容量太大；utf-8既支持中文，又能夠節省空間！