字符编码

字符编码

咱们已经讲过了，字符串也是一种数据类型，可是，字符串比较特殊的是还有一个编码问题。

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：

字符	ASCII	Unicode	UTF-8
A	01000001	00000000 01000001	01000001
中	x	01001110 00101101	11100100 10111000 10101101

从上面的表格还能够发现，UTF-8编码有一个额外的好处，就是ASCII编码实际上能够被当作是UTF-8编码的一部分，因此，大量只支持ASCII编码的历史遗留软件能够在UTF-8编码下继续工做。

搞清楚了ASCII、Unicode和UTF-8的关系，咱们就能够总结一下如今计算机系统通用的字符编码工做方式：

在计算机内存中，统一使用Unicode编码，当须要保存到硬盘或者须要传输的时候，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：

 

因此你看到不少网页的源码上会有相似<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

搞清楚了使人头疼的字符编码问题后，咱们再来研究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：

>>> print('包含中文的str')

包含中文的str

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：

>>> ord('A')

65

>>> ord('中')

20013

>>> chr(66)

'B'

>>> chr(25991)

'文'

若是知道字符的整数编码，还能够用十六进制这么写str：

>>> '\u4e2d\u6587'

'中文'

两种写法彻底是等价的。

因为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。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：

x = b'ABC'

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同样，但bytes的每一个字符都只占用一个字节。

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'

>>> '中文'.encode('ascii')

Traceback (most recent call last):

  File "<stdin>", line 1, in <module>

UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

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。

因为Python源代码也是一个文本文件，因此，当你的源代码中包含中文的时候，在保存源代码时，就须要务必指定保存为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，咱们一般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，不然，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，必须而且要确保文本编辑器正在使用UTF-8 without BOM编码：

 

若是.py文件自己使用UTF-8编码，而且也申明了# -*- coding: utf-8 -*-，打开命令提示符测试就能够正常显示中文：

 

格式化

最后一个常见的问题是如何输出格式化的字符串。咱们常常会输出相似'亲爱的xxx你好！你xx月的话费是xx，余额是xx'之类的字符串，而xxx的内容都是根据变量变化的，因此，须要一种简便的格式化字符串的方式。

 

在Python中，采用的格式化方式和C语言是一致的，用%实现，举例以下：

>>> '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。若是只有一个%?，括号能够省略。

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%：

>>> 'growth rate: %d %%' % 7

'growth rate: 7 %'

小结

Python 3的字符串使用Unicode，直接支持多语言。

str和bytes互相转换时，须要指定编码。最经常使用的编码是UTF-8。Python固然也支持其余编码方式，好比把Unicode编码成GB2312：

>>> '中文'.encode('gb2312')

b'\xd6\xd0\xce\xc4'

但这种方式纯属自找麻烦，若是没有特殊业务要求，请牢记仅使用UTF-8编码。

格式化字符串的时候，能够用Python的交互式命令行测试，方便快捷。

参考源码

the_string.py