python -- 字符串和编码

字符串和编码

数字--文本

ascii(bg2312,shift_jis,eur_kr)--unicode--utf-8

ord(""),chr()

1 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'

2.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：

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'

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。

3.常见的占位符有：

%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

%

：

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个字符被编码到计算机里，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。

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