Learning Python 005 字符串和编码

Python 字符串和编码

介绍

计算机是美国人发明的，最早只有127个字母被编码到计算机，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。

处理中文一个字节显然是不够的，只是需要两个字节，而且还不能喝ASCII编码冲突，所以，中国制定了GB2312编码，用来把中文编进去。

世界上有上百中语言，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，所以，当多国语言混合在一个文本中，显示出来会有乱码。

为了解决这个问题，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是使用两个字节来表示一个字符。我们来看看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。

如果全世界都使用英语的话，就不会有这么都的编码，只有ASCII码。

字母A用ASCII编码是十进制的65，二进制的01000001；

字符A用Unicode编码，只需要在前面补0就可以，00000000 01000001。

所以，新的问题就出来了，现在统一的Unicode编码，乱码问题从此消失了，但是你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。所以本着节约的精神，有出现了UTF-8编码。UTF-8编码是把Unicode字符根据不同的编码成1~6个字节，比如：编码为0~255的字符被编码成1个字节，汉字通常是3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

现代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。

Python 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：

>>> print('这里是AoboSir博客')
这里是AoboSir博客

在Python中有两个函数，用于将字符和对应的整数编码号之间进行转换：ord()函数 和 chr()函数：

>>> ord('a')
97
>>> ord('八')
20843

>>> chr(57)
'9'
>>> chr(20113)
'云'

Unicode 转化为各个编码

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。如果想要在网络上传输，或者保存到磁盘上，就需需要把str变为以字节为单位的bytes，简单的说就是将Unicode编码转换为Utf-8或者ascii编码。（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'）

Python中的encode()函数就是可以将Unicode编码的str字符串转换为指定编码解析的bytes。

举例：

>>> 'ABC'.encode('ascii')
b'ABC'
>>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'

Python中的decode()函数就是可以将bytes转换成str：

>>> b'ABC'.decode('ascii')
'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'

len()函数用来计算str包含多少个字符。

>>> len('ABC')
3
>>> len('中文')
2

len()函数计算bytes有多少个字节数。

>>> len(b'ABC')
3
>>> len(b'\xe4\xb8\xad\xe6\x96\x87')
6
>>> len('中文'.encode('utf-8'))
6

---

因为Python源代码也是一个文本文件，所以，当的你源代码中有中文注释的时候，你保存源代码文件的时候，一定要保存为UTF-8编码。当运行这个Python脚本程序时，Python解释器读取源代码时，为了让它按照UTF-8编码读取，我们通常在文件开头写上：

# -*- coding: utf-8 -*-

这一行注释告诉了Python解释器，按照UTF-8编码读取源代码。

你在文件中申明了UTF-8编码并不意味着你的.py文件就是UTF-8编码的。

---

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。

格式化

还记得C语言中的printf()函数。就是输出格式化的字符串。我们经常会看到这类的字符串“您尾号XXX的XX账号于XX月XX日XX时XX分完成一笔XXX交易，金额为XXX元，余额XXX元。”这就是所谓的格式化字符串。

在Python中，用%实现。举例：

>>> 'Hello, %s' % 'world'
'Hello, world'
>>> 'Hi, %s, you have $%d.' % ('AoboSir', 100000)
'Hi, Michael, you have $100000.'

>>> '%2d' % 3
' 3'
>>> '%d' % 3
'3'
>>> '%02d' % 3
03
>>> '%.2f' % 3.1415926
'3.14'
>>> '%.2f' % 5
'5.00'

如果你不清楚应该如何使用这些%d、%s、%f，你可以统统使用%s:

>>> 'Score: %s. Gender: %s' % (59, True)
'Score: 59. Gender: True'

常用的占位符有：

%d	整数
%f	浮点数
%s	字符串
%x	十六进制整数

字符串里面的%要如何转义。用%%就可以表示一个%：

>>> 'growth rate: %d %%' % 7
'growth rate: 7 %'

---

参考网站：

http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001431664106267f12e9bef7ee14cf6a8776a479bdec9b9000