python 浅谈小数据池和编码

⼀. ⼩数据池

　　在说⼩数据池之前. 我们先看⼀个概念. 什么是代码块:

根据提示我们从官⽅⽂档找到了这样的说法：
A Python program is constructed from code blocks. A block is a piece of
Python program text that is executed as a unit. The following are blocks: a
module, a function body, and a class definition. Each command typed
interactively is a block. A script file (a file given as standard input to
the interpreter or specified as a command line argument to the interpreter)
is a code block. A script command (a command specified on the interpreter
command line with the ‘-c‘ option) is a code block. The string argument
passed to the built-in functions eval() and exec() is a code block.
A code block is executed in an execution frame. A frame contains some
administrative information (used for debugging) and determines where and
how execution continues after the code block’s execution has completed.

粗略的翻译:
python程序是由代码块构成的. ⼀个代码块的⽂本作为python程序执⾏的单元.
代码块: ⼀个模块, ⼀个函数, ⼀个类, 甚⾄每⼀个command命令都是⼀个代码块. ⼀个⽂件也是⼀
个代码块, eval()和exec()执⾏的时候也是⼀个代码块

二、接下来我们来看一下小数据池is和 ==的区别

　　1、id( )

　　通过id( )我们可以查看到一个变量表示的值的内存地址

s = 'alex'
print(id(s)) #

　　2、is和==

　　　　== 判断左右两段的值是否相等，是否一致

　　　　is 判断左右两端的内存地址是否一致，如果一致就返回True

　　　　注意：如果内存地址相同. 那么值⼀定是相等的；如果值相等. 则不⼀定是同⼀个对象 。

　　3、⼩数据池.：⼀种数据缓存机制. 也被称为驻留机制.

　　　  ⼩数据池只针对: 整数, 字符串, 布尔值. 其他的数据类型不存在驻留机制 。

对于整数， Python官⽅⽂档中这么说：
The current implementation keeps an array of integer objects for all
integers between -5 and 256, when you create an int in that range you
actually just get back a reference to the existing object. So it should be
possible to change the value of 1. I suspect the behaviour of Python in
this case is undefined.

对于字符串：
Incomputer science, string interning is a method of storing only onecopy of
each distinct string value, which must be immutable. Interning strings
makes some stringprocessing tasks more time- or space-efficient at the cost
of requiring moretime when the string is created or interned. The distinct
values are stored ina string intern pool. –引⾃维基百科

　　　　在python中对-5到256之间的整数会被驻留在内存中，将一定规则的字符串缓存，在使用的时候，内存中只会创建一个该数据的对象，保存小数据池中，当使用的时候直接从

小数据池中获取对象的内存引用，二不需要创建一个新的数据，这样可以节省更多的内存。

　　优点：能够提高一些字符串、整数的处理速度，省去了创建对象的过程。

　　缺点：在”池“中插入或者创建新值会花费更多时间。

　　对于数字: -5~256是会被加到⼩数据池中的. 每次使⽤都是同⼀个对象.
　　对于字符串:
　　　　1. 如果字符串的⻓度是0或者1, 都会默认进⾏缓存
　　　　2. 字符串⻓度⼤于1, 但是字符串中只包含字⺟, 数字, 下划线时才会缓存
　　　　3. ⽤乘法的到的字符串. ①. 乘数为1, 仅包含数字, 字⺟, 下划线时会被缓存. 如果
　　　　　包含其他字符, ⽽⻓度<=1 也会被驻存, ②. 乘数⼤于1 . 仅包含数字, 字⺟, 下划
　　　　    线这个时候会被缓存. 但字符串⻓度不能⼤于20
　　　　4. 指定驻留. 我们可以通过sys模块中的intern()函数来指定要驻留的内容.

a = 1000
b = 1000
print(a is b)
注意. 在py⽂件中.得到的结果是True, 但是在command中就不是了.

　　在代码块内的缓存机制是不⼀样的. 在执⾏同⼀个代码块的初始化对象的命令时, 会检查是否其值是否已经存在, 如果存在, 会将其重⽤. 换句话说: 执⾏同⼀个代码块时,

遇到初始化对象的命令时， 他会将初始化的这个变量与值存储在⼀个字典中, 在遇到新的变量时, 会先在字典中查询记录, 如果有同样的记录那么它会重复使⽤这个字典中的

之前的这个值. 所以在你给出的例⼦中, ⽂件执⾏时(同⼀个代码块) 会把a, b两个变量指向同⼀个对象.如果是不同的代码块, 他就会看这个两个变量是否是满⾜⼩数据池的数据,

如果是满⾜⼩数据池的数据则会指向同⼀个地址. 所以: a, b的赋值语句分别被当作两个代码块执⾏, 但是他们不满⾜⼩数据池的数据所以会得到两个不同的对象, 因⽽is判断

返回False.

　　

三、编码

　　1. ASCII : 最早的编码. ⾥⾯有英⽂⼤写字⺟, ⼩写字⺟, 数字, ⼀些特殊字符. 没有中⽂,8个01代码, 8个bit, 1个byte
　　2. GBK: 中⽂国标码, ⾥⾯包含了ASCII编码和中⽂常⽤编码. 16个bit, 2个byte
　　3. UNICODE: 万国码, ⾥⾯包含了全世界所有国家⽂字的编码. 32个bit, 4个byte, 包含了ASCII
　　4. UTF-8: 可变⻓度的万国码. 是unicode的⼀种实现. 最⼩字符占8位
　　　　1.英⽂: 8bit 1byte
　　　　2.欧洲⽂字:16bit 2byte
　　　　3.中⽂:24bit 3byte

　　在python3的内存中，在程序运行阶段，使用的是unicode编码。因为unicode是万国码，什么内容都可以进行显示，

那么在数据传输和存储的时候由于unicode比较浪费时间和资源。需要把unicode转村委utf-8或者gbk进行存储。

　　在python中可以把文字信息进行编码。编码以后的内容就可以进行传输了，编码以后的数据都是bytes类型的数据，其实

原来的数据只是被编码了，并没有改变信息内容。

　　5、bytes的表现形式：

　　　　1、英文 b' alex’ 引文的表现形式跟字符串没什么区别

　　　　2、中文 b'\xe4\xb8\xad‘ 这是一个汉字的utf-8的bytes表现形式。

　　字符串在传输时转化成bytes=> encode(字符集)来完成

s = "alex"
print(s.encode("utf-8")) # 将字符串编码成UTF-8
print(s.encode("GBK")) # 将字符串编码成GBK

结果:
b'alex'b'alex'

s = "中"
print(s.encode("UTF-8")) # 中⽂编码成UTF-8
print(s.encode("GBK")) # 中⽂编码成GBK

结果:
b'\xe4\xb8\xad'
b'\xd6\xd0

　　解码

s = "我叫李嘉诚"
print(s.encode("utf-8")) #
b'\xe6\x88\x91\xe5\x8f\xab\xe6\x9d\x8e\xe5\x98\x89\xe8\xaf\x9a'
print(b'\xe6\x88\x91\xe5\x8f\xab\xe6\x9d\x8e\xe5\x98\x89\xe8\xaf\x9a'.decode("utf-8")) # 解码

　　编码和解码的时候都需要制定编码格式.

s = "我是⽂字"
bs = s.encode("GBK") # 我们这样可以获取到GBK的⽂字
# 把GBK转换成UTF-8
# ⾸先要把GBK转换成unicode. 也就是需要解码
s = bs.decode("GBK") # 解码
# 然后需要进⾏重新编码成UTF-8
bss = s.encode("UTF-8") # 重新编码
print(bss)