Python学习-str与byte类型以及编码

Python 3最重要的新特性之一是对字符串和二进制数据流做了明确的区分。文本总是Unicode，由str类型表示，二进制数据则由bytes类型表示。Python 3不会以任意隐式的方式混用str和bytes，你不能拼接字符串和字节流，也无法在字节流里搜索字符串（反之亦然），也不能将字符串传入参数为字节流的函数（反之亦然）。

编码发展的历史

在谈bytes和str之前，需要先说说关于编码是如何发展的。。

在计算机历史的早期，美国为代表的英语系国家主导了整个计算机行业，26个英文字母组成了多样的英语单词、语句、文章。因此，最早的字符编码规范是ASCII码，一种8位即1个字节的编码规范，它可以涵盖整个英语系的编码需要。

编码是什么？编码就是把一个字符用一个二进制来表示。我们都知道，所有的东西，不管是英文、中文还是符号等等，最终存储在磁盘上都是01010101这类东西。在计算机内部，读取和存储数据归根结底，处理的都是0和1组成的比特流。问题来了，人类看不懂这些比特流，如何让这些010101对人类变得可读呢？于是出现了字符编码，它是个翻译机，在计算机内部某个地方，透明的帮我们将比特流翻译成人类可以直接理解的文字。对于一般用户，不需要知道这个过程是什么原理，是怎么执行的。但是对于程序员却是个必须搞清楚的问题。

以ASCII编码为例，它规定1个字节8个比特位代表1个字符的编码，也就是“00000000”这么宽，一个一个字节的解读。例如：01000001表示大写字母A，有时我们会“偷懒"的用65这个十进制来表示A在ASCII中的编码。8个比特位，可以没有重复的最多表示2的8次方(255)个字符。

后来，计算机得到普及，中文、日文、韩文等等国家的文字需要在计算机内表示，ASCII的255位远远不够，于是标准组织制定出了叫做UNICODE的万国码，它规定任何一个字符（不管哪国的）至少以2个字节表示，可以更多。其中，英文字母就是用2个字节，而汉字是3个字节。这个编码虽然很好，满足了所有人的要求，但是它不兼容ASCII，同时还占用较多的空间和内存。因为，在计算机世界更多的字符是英文字母，明明可以1个字节就能够表示，非要用2个。

于是UTF-8编码应运而生，它规定英文字母系列用1个字节表示，汉字用3个字节表示等等。因此，它兼容ASCII，可以解码早期的文档。UTF-8很快就得到了广泛的应用。

在编码的发展历程中，我国还创造了自己的编码方式，例如GBK，GB2312，BIG5。他们只局限于在国内使用，不被国外认可。在GBK编码中，中文汉字占2个字节。

byte和str之间的异同：

回到bytes和str的身上。bytes是一种比特流，它的存在形式是01010001110这种。我们无论是在写代码，还是阅读文章的过程中，肯定不会有人直接阅读这种比特流，它必须有一个编码方式，使得它变成有意义的比特流，而不是一堆晦涩难懂的01组合。因为编码方式的不同，对这个比特流的解读也会不同，对实际使用造成了很大的困扰。

s = '中文'
print(type(s))    #<class 'str'>
b = bytes(s,encoding='utf-8',errors='strict')
print(b)     #b'\xe4\xb8\xad\xe6\x96\x87'
print(type(b))    #<class 'bytes'>
s2 = str(b,encoding='utf-8',errors='strict')
print(s2)     #中文
print(type(s2))     #<class 'str'>

从例子可以看出，s是个字符串类型。Python有个内置函数bytes()可以将字符串str类型转换成bytes类型，b实际上是一串01的组合，但为了在ide环境中让我们相对直观的观察，它被表现成了b'\xe4\xb8\xad\xe6\x96\x87'这种形式，开头的b表示这是一个bytes类型。\xe4是十六进制的表示方式，它占用1个字节的长度，因此”中文“被编码成utf-8后，我们可以数得出一共用了6个字节，每个汉字占用3个，这印证了上面的论述。在使用内置函数bytes()的时候，必须明确encoding的参数，不可省略，str()也类似。

我们都知道，字符串类str里有一个encode()方法，它是从字符串向比特流的编码过程。而bytes类型恰好有个decode()方法，它是从比特流向字符串解码的过程。除此之外，我们查看Python源码会发现bytes和str拥有几乎一模一样的方法列表，最大的区别就是encode和decode。

从实质上来说，字符串在磁盘上的保存形式也是01的组合，也需要编码解码。

总结：

1、在将字符串写入磁盘或者从磁盘读取字符串的时候，Python会自动的完成编码和解码的工作。

2、在使用bytes()的时候，实际就是告诉Python，不需要Python帮你进行编码，你会手动对输入的字符串进行编码，并且可以指定编码格式。

3、在Python 3中对byte和str进行了严格的区分，不能在需要byte类型参数的时候，使用str类型参数。

两种方式：

#将str转换为byte
unicode_string = '中文'
print(type(unicode_string))   #<class 'str'>
#第一种
bytearray = unicode_string.encode()     #def encode(self, encoding='utf-8', errors='strict')，默认就是'utf-8'的编码方式
print(bytearray)     #b'\xe4\xb8\xad\xe6\x96\x87'
print(type(bytearray))    #<class 'bytes'>
#第二种
bytearray2 = bytes(unicode_string,encoding='utf-8',errors='strict')     #def __init__(self, value=b'', encoding=None, errors='strict')
print(bytearray2)      #b'\xe4\xb8\xad\xe6\x96\x87'
print(type(bytearray2))    #<class 'bytes'>

#将byte转换为str
bytearray = b'\xe4\xb8\xad\xe6\x96\x87'
print(type(bytearray))   #<class 'bytes'>
#第一种
unicode_string = bytearray.decode()
print(unicode_string)    #中文
print(type(unicode_string))    #<class 'str'>
#第二种
unicode_string2 = str(bytearray,encoding='utf-8',errors='strict')
print(unicode_string2)    #中文
print(type(unicode_string2))    #<class 'str'>

参考：

Chown-Jane-Y