python 之字符串和編碼

字符編碼

咱們已經講過了，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。

 

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，例如：

 

>>> print('包含中文的str')

包含中文的str

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'

若是知道字符的整數編碼，還能夠用十六進制這麼寫str：

 

>>> '\u4e2d\u6587'

'中文'

兩種寫法徹底是等價的。

 

因爲Python的字符串類型是str，在內存中以Unicode表示，一個字符對應若干個字節。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'

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。

 

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 python3

# -*- 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。

 

申明瞭UTF-8編碼並不意味着你的.py文件就是UTF-8編碼的，必須而且要確保文本編輯器正在使用UTF-8 without BOM編碼：

 

 

若是.py文件自己使用UTF-8編碼，而且也申明瞭# -*- coding: utf-8 -*-，打開命令提示符測試就能夠正常顯示中文：

 

 

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'

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 %'

練習

小明的成績從去年的72分提高到了今年的85分，請計算小明成績提高的百分點，並用字符串格式化顯示出'xx.x%'，只保留小數點後1位：

 

# -*- coding: utf-8 -*-

 

s1 = 72

s2 = 85

 

 Run

小結

Python 3的字符串使用Unicode，直接支持多語言。

 

str和bytes互相轉換時，須要指定編碼。最經常使用的編碼是UTF-8。Python固然也支持其餘編碼方式，好比把Unicode編碼成GB2312：

 

>>> '中文'.encode('gb2312')

b'\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UTF-8編碼。

 

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。