ASCII、Unicode、UTF-8 字符串和编码

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。python

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4294967295web

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122sql

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。编程

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。浏览器

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。ruby

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。服务器

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。网络

字母A用ASCII编码是十进制的65,二进制的01000001编程语言

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;编辑器

汉字已经超出了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
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:

rw-file-utf-8

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:

web-utf-8

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'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。

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' 

若是bytes中包含没法解码的字节,decode()方法会报错:

>>> b'\xe4\xb8\xad\xff'.decode('utf-8')
Traceback (most recent call last): ... UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte 

若是bytes中只有一小部分无效的字节,能够传入errors='ignore'忽略错误的字节:

>>> b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore') '中' 

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byteslen()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strbytes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strbytes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:

set-encoding-in-notepad++

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:

py-chinese-test-in-cmd

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:

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能够指定是否补0和整数与小数的位数:

# -*- coding: utf-8 -*-

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 %' 

format()

另外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:

>>> 'Hello, {0}, 成绩提高了 {1:.1f}%'.format('小明', 17.125) 'Hello, 小明, 成绩提高了 17.1%' 

练习

小明的成绩从去年的72分提高到了今年的85分,请计算小明成绩提高的百分点,并用字符串格式化显示出'xx.x%',只保留小数点后1位:

# -*- coding: utf-8 -*-
s1 = 72
s2 = 85

小结

Python 3的字符串使用Unicode,直接支持多语言。

strbytes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的交互式环境测试,方便快捷。

相关文章
相关标签/搜索