Python字符串和编码

　　在最早的时候只有127个字符被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码被成为ASCII编码。

　　但是要处理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。

　　世界上有很多语言，各国有各国的标准，就会不可避免地出现冲突，结果就是在多语言混合的文本中会出现乱码。因此，Unicode应运而生。Unicode把所有的语言都统一到一套编码里，这样就不会再有乱码问题了。Unicode标准在不断发展，但最常用的是用两个字节表示一个字符。

　　如果统一成Unicode编码，乱码问题从此消失了，但如果文本里基本上全部是英文的话，用Unicode编码比ASCII编码要多一倍的存储空间，在存储和传输上就十分不划算。这样就出现了把Unicode编码转化为“可边长编码”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，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节，如果要传输的文本包含大量英文字符，用UTF-8编码就能节省空间。

　　ASCII编码实际上可以被看成是UTF-8编码的一部分。

 

　　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。

 

　　在最新的Python 3版本中，字符串是以Unicode编码的。

　　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。

　　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变为以字节为单位的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：

'ABC'.encode('ascii')

'中文'.encode('utf-8')

　　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。

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

b'ABC'.decode('ascii')

 

　　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。

 

---

格式化

　　在Python中，采用的格式化方式和C语言是一样的，用%实现。

　　在字符串内部，%s表示用字符串替换，%d表示用整数替换，%f浮点数，%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补0和整数与小数的位数。比如：

print('%2d-%02d' % (3, 1))

print('%.2f' % 3.1415926)。

　　如果不太确定应该用什么，%s永远起作用，它会把任何数据类型转换为字符串。

 

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

'Hello, {0}, 成绩提升了{1:.1f}%'.format('小明', 12,123)，打印结果为：Hello, 小明，成绩提升了17.1%。