Python 学习笔记（字符串和编码）

注：相关资料来自廖雪峰老师的python教程,只是记录一些个人觉得重要的资料，方便日后回忆。

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。

UTF-8编码有一个额外的好处，就是ASCII编码实际上可以被看成是UTF-8编码的一部分，所以，大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。

搞清楚了ASCII、Unicode和UTF-8的关系，我们就可以总结一下现在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。

用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件：



浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器：



所以你看到很多网页的源码上会有类似

<meta
charset="UTF-8" />

的信息，表示该网页正是用的UTF-8编码。

Python的字符串

搞清楚了令人头疼的字符编码问题后，我们再来研究Python的字符串。

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，例如：

对于单个字符的编码，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：

如果知道字符的整数编码，还可以用十六进制写

str

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：

要注意区分

'ABC'

和

b'ABC'

，前者是

str

，后者虽然内容显示得和前者一样，但

bytes

的每个字符都只占用一个字节。

以Unicode表示的

str

通过

encode()

方法可以编码为指定的

bytes

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：

如果

bytes

中包含无法解码的字节，

decode()

方法会报错：

如果

bytes

中只有一小部分无效的字节，可以传入

errors='ignore'

忽略错误的字节：

要计算

str

包含多少个字符，可以用

len()

函数：

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：

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。

由于Python源代码也是一个文本文件，所以，当你的源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上这两行：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

第一行注释是为了告诉Linux/OS X系统，这是一个Python可执行程序，Windows系统会忽略这个注释；

第二行注释是为了告诉Python解释器，按照UTF-8编码读取源代码，否则，你在源代码中写的中文输出可能会有乱码。

申明了UTF-8编码并不意味着你的

.py

文件就是UTF-8编码的，必须并且要确保文本编辑器正在使用UTF-8
without BOM编码：

格式化：

在Python中，采用的格式化方式和C语言是一致的，用

%

实现，举例如下：

>>> 'Hello, %s' % 'world'
'Hello, world'
>>> 'Hi, %s, you have $%d.' % ('Michael', 1000000)
'Hi, Michael, you have $1000000.'

你可能猜到了，

%

运算符就是用来格式化字符串的。在字符串内部，

%s

表示用字符串替换，

%d

表示用整数替换，有几个

%?

占位符，后面就跟几个变量或者值，顺序要对应好。如果只有一个

%?

，括号可以省略。

常见的占位符有：

占位符	替换内容
%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：

format()

另一种格式化字符串的方法是使用字符串的

format()

方法，它会用传入的参数依次替换字符串内的占位符

{0}

、

{1}

……，不过这种方式写起来比%要麻烦得多