字符串类型：str, bytes 的区别

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）。

下面让我们深入分析一下二者的区别和联系。

　　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，逐个字节的解读。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，最多可表示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，不便于网络传输和文件存储。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，
• 欧洲文字通常用两个字节表示，
• (CJK 统一表意符号 (CJK Unified Ideographs):4E00-9FBF)汉字等东亚文字用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。

bytes和str之间的异同

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。

下面让我们看看Python是如何处理这一系列编码问题的：

 >>> str1 = '学无定法而有方法'
 >>> str1
 '学无定法而有方法'
 >>> type(str1)
 <class 'str'>
 >>> b1 = bytes(str1, encoding='utf-8')
 >>> b1
 b'\xe5\xad\xa6\xe6\x97\xa0\xe5\xae\x9a\xe6\xb3\x95\xe8\x80\x8c\xe6\x9c\x89\xe6\x96\xb9\xe6\xb3\x95'
 >>> type(b1)
 <class 'bytes'>
 >>> 

　　从例子可以看出，str1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，

b1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'\xe5\xad\xa6\xe6\x97\xa0\xe5\xae\x9a\xe6\xb3\x95\xe8\x80\x8c\xe6\x9c\x89\xe6\x96\xb9\xe6\xb3\x95'这种形式，

• 开头的b表示这是一个bytes类型。
• \xe5是十六进制的表示方式，它占用1个字节的长度，

因此”学无定法而有方法“被编码成utf-8后，我们可以数得出一共用了24个字节，每个汉字占用3个。

　　在使用内置函数bytes()的时候，必须明确encoding的参数，不可省略。

　　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。

如果，上面的阐述还不能让你搞清楚两者的区别，那么记住下面两几句话：

1. 在将字符串存入磁盘和从磁盘读取字符串的过程中，Python自动地帮你完成了编码和解码的工作。
2. 使用bytes类型，实质上是告诉Python，不需要它帮你自动地完成编码和解码的工作，而是用户自己手动进行，并指定编码格式。
3. Python已经严格区分了bytes和str两种数据类型，你不能在需要bytes类型参数的时候使用str参数，反之亦然。
4. 图片、视频等文件通常是以bytes类型读写的，所以类型通常是rb, wb模式

在bytes和str的互相转换过程中，实际就是编码解码的过程，必须显式地指定编码格式。

 >>> b2 = str1[:2].encode('gbk')
 >>> b2
 b'\xd1\xa7\xce\xde'
 >>> b2.decode('gbk')
 '学无'
 >>> b3 = str1[:2].encode('utf-8')
 >>> b3
 b'\xe5\xad\xa6\xe6\x97\xa0'
 >>> b3.decode('utf-8')
 '学无'
 >>> str2 = 'こんにちは'
 >>> b4 = str2.encode('shift-jis')
 >>> b4
 b'\x82\xb1\x82\xf1\x82\xc9\x82\xbf\x82\xcd'
 >>> b4.decode('shift-jis')
 'こんにちは'
 >>>