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.若是要在网络上传输，或者保存到磁盘上，就须要把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经过encode()方法能够编码为指定的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能够用ASCII编码为bytes，内容是同样的，含有中文的str能够用UTF-8编码为bytes。含有中文的str没法用ASCII编码，由于中文编码的范围超过了ASCII编码的范围，Python会报错。

在bytes中，没法显示为ASCII字符的字节，用\x##显示。

反过来，若是咱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，就须要用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，能够用len()函数：

>>> len('ABC') 3 >>> len('中文') 2 

len()函数计算的是str的字符数，若是换成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个中文字符通过UTF-8编码后一般会占用3个字节，而1个英文字符只占用1个字节。

在操做字符串时，咱们常常遇到str和bytes的互相转换。为了不乱码问题，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能够指定是否补0和整数与小数的位数：

>>> '%2d-%02d' % (3, 1) ' 3-01' >>> '%.2f' % 3.1415926 '3.14' 

若是你不太肯定应该用什么，%s永远起做用，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？这个时候就须要转义，用%%来表示一个%：

由于计算机只能处理数字，若是要处理文本，就必须先把文本转换为数字才能处理。最先的计算机在设计时采用8个比特（bit）做为一个字节（byte），因此，一个字节能表示的最大的整数就是255（二进制11111111=十进制255），若是要表示更大的整数，就必须用更多的字节。好比两个字节能够表示的最大整数是65535，4个字节能够表示的最大整数是4294967295。

因为计算机是美国人发明的，所以，最先只有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，好比大写字母A的编码是65，小写字母z的编码是122。

可是要处理中文显然一个字节是不够的，至少须要两个字节，并且还不能和ASCII编码冲突，因此，中国制定了GB2312编码，用来把中文编进去。

你能够想获得的是，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。

 

所以，Unicode应运而生。Unicode把全部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，但最经常使用的是用两个字节表示一个字符（若是要用到很是偏僻的字符，就须要4个字节）。现代操做系统和大多数编程语言都直接支持Unicode。

如今，捋一捋ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码一般是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是不一样的；

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。

你能够猜想，若是把ASCII编码的A用Unicode编码，只须要在前面补0就能够，所以，A的Unicode编码是00000000 01000001。

新的问题又出现了：若是统一成Unicode编码，乱码问题今后消失了。可是，若是你写的文本基本上所有是英文的话，用Unicode编码比ASCII编码须要多一倍的存储空间，在存储和传输上就十分不划算。

因此，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字符根据不一样的数字大小编码成1-6个字节，经常使用的英文字母被编码成1个字节，汉字一般是3个字节，只有很生僻的字符才会被编码成4-6个字节。若是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