Python基础之字符串和编码

字符串和编码

字符串也是一种数据类型，但是字符串比较特殊的是还有个编码问题。

因为计算机自能处理数字，如果徐娅处理文本，就必须先把文本转换为数字才能处理，最早的计算机子设计时候采用8个比特（bit）作为以恶搞字节（byte），所以一个字节能表示最大的整数是255（二进制11111111=十进制255），如果要表示更大的整数，就必须用更多的字节，比如两个字节可以表示的最大整数是65535，4个字节可以表示的最大整数是4294967295。

又因为计算机是美国人发明的，最早只有127个字符被编码到计算机里，也就是现在的大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码，比如大写字母A的编码是65，小些字母Z的编码是122。

但是要出来中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以中国制定了GB2312编码，用来把中文编进去。

你可以想象的到，全世界那么多语言，不同的语言编导不同的编码里去，日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里，各国有各国的标准，就会不可避免的出现冲突，结果就是在多种语言混合的文本中，显示出来的会有乱码。

因此，Unicode字符集运而生，Unicode把所有的语言都统一到一套编码里，着样就不会再有乱码问题了。

Unicode标准也在不断发展，但最常用的是UCS-16编码，用两个字节表示一个字符（如果要用到非常偏僻的字符，这需要4个字节）。现代操作系统和大多数编程语言都直接支持Unicode.

现在捋一捋ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码通常是2个字节。

字母A用ASCII编码的十进制的65，二进制的01000001；

字符0用ASCII编码是十进制的48，二进制的00110000；注意字符 ‘0’和整数 0 是不同的。

汉字 中 已经超出了ASCII编码的范围，用Unicode编码是十进制的20013，二进制的 01001110 00101101。

你可以猜测，如果把ASCII编码的 A 用Unicode编码，只需要在前面补0就可以，因此 A 的Unicode编码是00000000 01000001。

但是新的问题有出现了：如果统一成Unicode编码，乱码问题从此消失了，但是如果你些的文章基本上群不是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，子啊存储和传输上就十分不划算。

所以本着节约的精神，又出现了把Unicode编码转化为“客变长编码”的 UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉族通常是3个字节，姿势很生僻的字符才会被编码成4-6个字节，如果你要传输的文本含大量英文字符，用UTF-8编码就能节省空间：

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

从上面的表格还可以发现，UTF-8编码有一个额外的好处，就是ASCII编码实际上可以看成是UTF-8编码的一部分，所以大量只支持ASCII编码的历史遗留软件可以子啊UTF-8编码下继续工作。

搞清楚了ASCII、Unicode和UTF-8的关系，我们就可以总结一下现在计算机系统统一的字符编码工作方式：

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。

用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后报错的时候再把Unicode转换成UTF-8保存到文件：

浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器：

所以你看到很多网页的源码上会有类似的信息，表示改网页正式用的UTF-8编码。

Python的字符串

高清楚了令人头疼的字符编码问题后，我们再来研究Python的字符串，再最新的Python 3版本中，字符串式以Unicode编码的，也就是说Python的字符串支持多种语言，例如：

>>> print(‘包含中文的str’)
包含中文的str

对于单个字符的编码，Python提供了ord() 函数获取字符的整数表示，chr()函数把编码转换为对应的字符：

如果知道字符的整数编码，还可以用十六进制这么写 str:

>>> ‘\u4e2d\u6587’
‘中文’

两种写法完全是等价的。

由于Python的字符串类型是 str，在内存中以Unicode表示，一个字符对应若干个字节，如果要在网络上传输或者保存到磁盘上，就需要把str变成字节为单位的bytes。

Python对bytes类型的数据用带b前缀的单引号或双引号表示：

x =b’ABC’

要注意区分‘ABC’和 b’ABC’ ，前者是str，后者虽然内容显示得和前者一样，但是bytes的每个字符都只占用一个字节。

以Unicode表示的str通过encode()方法可以编码为指定的bytes,例如：

纯英文的str可以用ASCII编码为bytes，内容是一样的，含有中文的str可以用UTF-8编码为bytes,含有中文的str无法用ASCII编码，因为中文编码的范围超过了ASCII编码的范围，Python会报错。

在bytes中，无法吓死你hi为ASCII字符的字节，用\x##显示。

反过来如果我们从网络上或磁盘上读取了字节流，那么读到的数据就是bytes，要把bytes变成str，就需要用decode()方法：

>>> b’ABC’.decode(‘ascii’)
‘ABC’
>>> b’\xe4\xbd\xa0\xe6\x9c\x89\xe7\x97\x85\xe5\x90\xa7’.decode(‘utf-8’)
‘你有病吧’

如果bytes中包含无法解码的字节，decode()方法会报错：

如果bytes中只是有一小部分无效的字节，可以传如errors=’ignore’忽略错误的字节：

要计算str包含多少个字符，可以用len()函数：

len()函数计算的是str的字符数，如果换成bytes,len()函数就计算字节数：

可见1个中文字符经过UTF-8编码后通常会占用3个字节，而一个字符只占用1个字节。

在操作字符串时，我们经常遇到str和bytes的互换，为了避免乱码问题，应该始终坚持使用UTF-8编码对str和bytes`进行转换。

由于Python源代码也是一个文本文件，所以当你的源代码中包含中文的时候，在保存源代码时候，就需要务必知道保存为UTF-8编码，当Python解释器读取源代码时候，wield让它按UTF-8编码读取，我们通常再我呢见开头写上这个两行：

#!/usr/bin/env python3

# -- coding: utf-8 --

第一行注释是为了告诉Linux/OS X系统，这是个Python可执行程序，Windows系统会忽略这个注释；

第二行注释是为了告诉Python解释器，按照UTF-8编码读取源代码，否则你在源代码中写的中文输出可能会有乱码。

申明了UTF-8编码并不意味着你的.py文件就是UTF-8编码的，必须并且要确保文本编辑器正在使用UTF-8 without BOM编码：

如果.py文件本身使用UTF-8编码，并且也申明了 # -*- coding: utf-8 -*-，打开命令提示符测试就可以正常显示中文：

格式化

最后一个常见的问题是如何输出格式话的字符串，我们经常输出类似您好，您xx月的话费是xx,余额是xx 之类的字符串，而xxx的内容都是根据变量变化的，所以需要一种简便的格式化字符串的方法。

在Python中，采用的格式话方式和C语言是一致的，用% 实现，举例说明：

>>> ‘Hello, %s’ % ‘world’

‘Hello, world’

>>> ‘Hi, %s, you have $%d.’ % (‘Michael’, 1000000)

‘Hi, Michael, you have $1000000.’

常见的占位符有：

占位符	替换内容
%d	整数
%f	浮点数
%s	字符串
%x	十六进制整数

其中格式化

整数和浮点数还可以指定是否不0和整数与小数的位数：

如果你并不确定该用什么，%s永远起作用，他会把任何数据转换成为字符串：

>>> ‘Age: %s. Gender: %s’ % (25, True)

‘Age: 25. Gender: True’

有时候，字符串里面的% 是一个普通字符怎么办？这个时候就需要转义，用%% 来表示一个% :

>>> ‘growth rate: %d %%’ % 7
‘growth rate: 7 %’

format(）

另一种格式化字符串的方法是使用字符串的format()方法，他会用传入的参数依次替换字符串内的占位符{0} 、 {1} …….,不过这种方法写起来比%要麻烦得多：

>>> ‘Hello, {0}, 成绩提升了 {1:.1f}%’.format(‘小明’, 17.125)

‘Hello, 小明, 成绩提升了 17.1%’

f-string

最后一种格式化字符串的方法是使用f 开头的字符串，称之为f-string ,它和普通字符串不同之处在于字符串如果包含{xxx} ,就会以对应的变量替换：

>>> r = 2.5

>>> s = 3.14 * r ** 2

>>> print(f’The area of a circle with radius {r} is {s:.2f}’)

The area of a circle with radius 2.5 is 19.62

上述代码中{r} 被变量r 的值替换，{s:.2f} 被变量s 的值替换，并且:后面的.2f 指定了格式式参数（即保留两位小数），因此{s:.2f} 的替换结果是19.62 。

客户小练习：

a = 72

b = 85

r = ???

print(‘???’ % r)

小结

Python 3的字符串使用Unicode，直接支持多种语言。当str 和bytes 互换时，需要指定编码，最常见的编码是UTF-8 编码，Python当然也支持其他编码方式，比如把Unicode编码成GB2312 :

>>> ‘中文’.encode(‘gb2312’)

b’\xd6\xd0\xce\xc4’

但是这种编码纯属自己找麻烦，如果不是特殊业务要求，请牢记使用UTF-8 编码。

格式化字符串的时候，可以用Python的交换环境测试，方便快捷。

 

文章转载【廖雪峰官方网站】：https://www.liaoxuefeng.com/wiki/1016959663602400/1017075323632896