字符編碼python
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。編程
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。瀏覽器
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。服務器
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。編程語言
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。函數
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。測試
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。編碼
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。spa
字母A用ASCII編碼是十進制的65,二進制的01000001;操作系統
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!