python的中的字符串类型:byte string和unicode string
2017-10-26 15:22
507 查看
unicode和utf8的层级关系:
unicode:
狭义:信源编码,将字符数字化,即一个字符对应一个十进制数字,是ascii表的一个扩展。广义:信源编码+信道编码,用unicode作为信源编码,用ucs-2作为存储和传输的信道编码,即在内存或者硬盘中,一个unicode字符占两个字节,16位。
utf8:
狭义:信道编码,用于字符的存储和传输,减小存储空间,减小传输流量。utf8是可变长编码方式,存英文是一个字节,存中文是三个字节。广义:信源编码+信道编码,以unicode作为信源编码,以utf8作为信道编码。
python中的byte string和unicode string两种字符的区别:
unicode string:
以unicode作为编码表(信源编码),仅仅代表一个字符,未存储,因此未被编码。从函数中返回的字符都是unicode string,因为未存储,所以未被编码。byte string(即python中的str类型):
以unicode作为编码表(信源编码),以utf8作为信道编码,一个中文字符对应三个字节。从文件读取的字符,因为已经存在磁盘中,因此都是byte string。python文件中初始化的字符串,也是byte string,因为.py文件本身就是存在硬盘中的实验:
>>> a = '中' >>> a '\xe4\xb8\xad' >>> a = u'中' >>> a u'\u4e2d'
“中”在unicode里面对应的数字是20013,当a =‘中’,字符是byte string,以utf8编码,占三个字节。当a=u‘中’,未以任何形式编码,用一个字符表示。
结论:byte string和unicode string的表现形式与编码没有任何关系,都是以16进制来表示。
utf8编码方式介绍:
作者:uuspider链接:https://www.zhihu.com/question/23374078/answer/65352538
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
举一个例子:It’s 知乎日报你看到的unicode字符集是这样的编码表:
I 0049 t 0074 ' 0027 s 0073 0020 知 77e5 乎 4e4e 日 65e5 报 62a5
每一个字符对应一个十六进制数字。计算机只懂二进制,因此,严格按照unicode的方式(UCS-2),应该这样存储:
I 00000000 01001001 t 00000000 01110100 ' 00000000 00100111 s 00000000 01110011 00000000 00100000 知 01110111 11100101 乎 01001110 01001110 日 01100101 11100101 报 01100010 10100101
这个字符串总共占用了18个字节,但是对比中英文的二进制码,可以发现,英文前9位都是0!浪费啊,浪费硬盘,浪费流量。怎么办?UTF。UTF-8是这样做的:1. 单字节的字符,字节的第一位设为0,对于英语文本,UTF-8码只占用一个字节,和ASCII码完全相同;2. n个字节的字符(n>1),第一个字节的前n位设为1,第n+1位设为0,后面字节的前两位都设为10,这n个字节的其余空位填充该字符unicode码,高位用0补足。这样就形成了如下的UTF-8标记位:
0xxxxxx
x110xxxxx 10xxxxxx
1110xxxx 10xxxxxx 10xxxxxx
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx… …
于是,”It’s 知乎日报“就变成了:
I 01001001 t 01110100 ' 00100111 s 01110011 00100000 知 11100111 10011111 10100101 乎 11100100 10111001 10001110 日 11100110 10010111 10100101 报 11100110 10001010 10100101
和上边的方案对比一下,英文短了,每个中文字符却多用了一个字节。但是整个字符串只用了17个字节,比上边的18个短了一点点。下边是课后作业:请将”It’s 知乎日报“的GB2312和GBK码(自行google)转成二进制。不考虑历史因素,从技术角度解释为什么在unicode和UTF-8大行其道的同时,GB2312和GBK仍在广泛使用。剧透:一切都是为了节省你的硬盘和流量。
参考:
http://blog.csdn.net/use_my_heart/article/details/51303317
https://www.zhihu.com/question/23374078
相关文章推荐
- Python数据类型String字符串
- Python中将字符串类型转为字典类型(string to dict)
- Python 中的基本数据类型 ---Number(数字) 和 String(字符串)
- 4-Python3从入门到实战—基础之数据类型(字符串-String)
- Python3中内置类型bytes和str用法及byte和string之间各种编码转换
- Python3中内置类型bytes和str用法及byte和string之间各种编码转换
- Python基础数据类型-字符串(string)
- Python3中内置类型bytes和str用法及byte和string之间各种编码转换
- Integer.toHexString(int)得到byte类型的十六进制字符串形式
- 走进Python世界(五)数据类型 2. 字符串(String)
- JSON: Python Objects与String之间转换【json.dumps把python任意数据类型转换成字符串,json.loads把字符串转换为unicode编码】
- A Byte of Python 笔记(2)基本概念:数、字符串、转义符、变量、标识符命名、数据类型、对象
- delphi中如何将string类型的字符串数据转化成byte[]字节数组类型的数据
- 详解python string类型 bytes类型 bytearray类型
- Python基础:数据类型-字符串:string
- python 数据类型String类型总结(二(2))
- String[255]在高版本Delphi里还是被解释成Byte,总体长度256,使用StrPCopy可以给Array String拷贝字符串(内含许多实验测试)
- String类型(字符串类型)
- Python 字符串 String 内建函数大全(1)
- C#语言之“string格式的日期时间字符串转为DateTime类型”的方法