字符串和编码

最后更新于:2022-04-01 01:12:41

## 字符编码 我们已经讲过了,字符串也是一种数据类型,但是,字符串比较特殊的是还有一个编码问题。 因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特(bit)作为一个字节(byte),所以,一个字节能表示的最大的整数就是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`。 由于计算机是美国人发明的,因此,最早只有127个字母被编码到计算机里,也就是大小写英文字母、数字和一些符号,这个编码表被称为`ASCII`编码,比如大写字母`A`的编码是`65`,小写字母`z`的编码是`122`。 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。 你可以想得到的是,全世界有上百种语言,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,就会不可避免地出现冲突,结果就是,在多语言混合的文本中,显示出来会有乱码。 ![2015-06-24/558a26135580a](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2015-06-24_558a26135580a.png) 因此,Unicode应运而生。Unicode把所有语言都统一到一套编码里,这样就不会再有乱码问题了。 Unicode标准也在不断发展,但最常用的是用两个字节表示一个字符(如果要用到非常偏僻的字符,就需要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编码是十进制的`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`。 新的问题又出现了:如果统一成Unicode编码,乱码问题从此消失了。但是,如果你写的文本基本上全部是英文的话,用Unicode编码比ASCII编码需要多一倍的存储空间,在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“可变长编码”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。如果你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: | 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编码实际上可以被看成是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在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通用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,保存的时候再把Unicode转换为UTF-8保存到文件: ![2015-06-24/558a263296a09](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2015-06-24_558a263296a09.png) 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: ![2015-06-24/558a26a1db917](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2015-06-24_558a26a1db917.png) 所以你看到很多网页的源码上会有类似``的信息,表示该网页正是用的UTF-8编码。 ## Python的字符串 搞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。 在最新的Python 3版本中,字符串是以Unicode编码的,也就是说,Python的字符串支持多语言,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: ~~~ >>> ord('A') 65 >>> ord('中') 20013 >>> chr(66) 'B' >>> chr(25991) '文' ~~~ 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') 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) ~~~ 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,无法显示为ASCII字符的字节,用`\x##`显示。 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') 'ABC' >>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8') '中文' ~~~ 要计算`str`包含多少个字符,可以用`len()`函数: ~~~ >>> len('ABC') 3 >>> len('中文') 2 ~~~ `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: ~~~ >>> len(b'ABC') 3 >>> len(b'\xe4\xb8\xad\xe6\x96\x87') 6 >>> len('中文'.encode('utf-8')) 6 ~~~ 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1个英文字符只占用1个字节。 在操作字符串时,我们经常遇到`str`和`bytes`的互相转换。为了避免乱码问题,应当始终坚持使用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,就需要务必指定保存为UTF-8编码。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。 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: ![2015-06-24/558a26c72482c](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2015-06-24_558a26c72482c.png) 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: ![2015-06-24/558a26d70edaf](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2015-06-24_558a26d70edaf.png) ## 格式化 最后一个常见的问题是如何输出格式化的字符串。我们经常会输出类似`'亲爱的xxx你好!你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式。 ![2015-06-24/558a26eca5cf2](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2015-06-24_558a26eca5cf2.png) 在Python中,采用的格式化方式和C语言是一致的,用`%`实现,举例如下: ~~~ >>> 'Hello, %s' % 'world' 'Hello, world' >>> 'Hi, %s, you have $%d.' % ('Michael', 1000000) 'Hi, Michael, you have $1000000.' ~~~ 你可能猜到了,`%`运算符就是用来格式化字符串的。在字符串内部,`%s`表示用字符串替换,`%d`表示用整数替换,有几个`%?`占位符,后面就跟几个变量或者值,顺序要对应好。如果只有一个`%?`,括号可以省略。 常见的占位符有: |符号|描述| |---|------| | %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补0和整数与小数的位数: ~~~ >>> '%2d-%02d' % (3, 1) ' 3-01' >>> '%.2f' % 3.1415926 '3.14' ~~~ 如果你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: ~~~ >>> 'Age: %s. Gender: %s' % (25, True) 'Age: 25\. Gender: True' ~~~ 有些时候,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 %' ~~~ ## 练习 小明的成绩从去年的72分提升到了今年的85分,请计算小明成绩提升的百分点,并用字符串格式化显示出`'xx.x%'`,只保留小数点后1位: ~~~ s1 = 72 s2 = 85 r = ??? print('???' % r) ~~~ ## 小结 Python 3的字符串使用Unicode,直接支持多语言。 str和bytes互相转换时,需要指定编码。最常用的编码是UTF-8。Python当然也支持其他编码方式,比如把Unicode编码成GB2312: ~~~ >>> '中文'.encode('gb2312') '\xd6\xd0\xce\xc4' ~~~ 但这种方式纯属自找麻烦,如果没有特殊业务要求,请牢记仅使用UTF-8编码。 格式化字符串的时候,可以用Python的交互式命令行测试,方便快捷。 ## 参考源码 [the_string.py](https://github.com/michaelliao/learn-python3/blob/master/samples/basic/the_string.py)
';