python小知识点随笔

可能会有不局限于Python语言的内容，文中“>>>”表示结果，而不是命令行交互的提示符

1.关于字符串编码

ASCII编码 占用一个字节 二进制11111111=十进制255 所以可以编码所有的字母和数字，比如大写字母A的编码是65，小写字母z的编码是122。但是由于各国语言自成一脉，难免冲突，一起出现会出现乱码。

Unicode编码应运而生，编译所有语言。通常占用两个字节，生僻汉字需4需4个字节，字母数字编码补0，缺点是储存空间变大，若都是英文字母，不划算。

UTF-8 可变长度编码集二者之长，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。

计算机内存统一使用Unicode编码，存储和传输则使用UTF-8编码。

 

 

Python的字符串类型是str,内存中以Unicode存储，如果要在网络上传输，或保存在磁盘上，就要把str变为以字节为单位的bytes（编码）。

而从网络或磁盘上读取时，就要把bytes字节转换为str（解码）。对应的方法分别是encode()和decode()

解码的时候，如果包含无法解码的字节就会报错：

print(b'\xe4\xb8\xad'.decode('utf-8'))
>>> 中
print(b'\xe4\xb8\xad\xff'.decode('utf-8'))
>>>

　　Traceback (most recent call last):
　　...
　　UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte

如果只有一小部分无效的字节，可以传入errors='ignore'忽略错误的字节：

print(b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore'))
>>> 中

当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上这两行：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

第一行注释是为了告诉Linux/OS X系统，这是一个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。

PS. 字符串的占位符‘%s’，会把任何数据类型转换为字符串。也可以用具体的数据类型的占位符如%d表示整数，%f表示浮点数，%x表示十六进制整数 而%需要%转义，通常‘%%’表示‘%’

2.Python的复杂数据类型之 list,tuple,dict,set