字符串和编码

字符编码

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个字母被编码到计算机里，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对Unicode的支持。

由于Python的诞生比Unicode标准发布的时间还要早，因此最先的Python只支持ASCII编码，普通的字符串'ABC'在Python内部都是ASCII编码的。Python提供了ord()和chr()函数，能够把字母和对应的数字相互转换：

>>> ord('A') 65 >>> chr(65) 'A' 

Python在后来添加了对Unicode的支持，以Unicode表示的字符串用u'...'表示，好比：

>>> print u'中文' 中文 >>> u'中' u'\u4e2d' 

写u'中'和u'\u4e2d'是同样的，\u后面是十六进制的Unicode码。所以，u'A'和u'\u0041'也是同样的。

两种字符串如何相互转换？字符串'xxx'虽然是ASCII编码，但也能够当作是UTF-8编码，而u'xxx'则只能是Unicode编码。

把u'xxx'转换为UTF-8编码的'xxx'用encode('utf-8')方法：

>>> u'ABC'.encode('utf-8') 'ABC' >>> u'中文'.encode('utf-8') '\xe4\xb8\xad\xe6\x96\x87' 

英文字符转换后表示的UTF-8的值和Unicode值相等（但占用的存储空间不一样），而中文字符转换后1个Unicode字符将变为3个UTF-8字符，你看到的\xe4就是其中一个字节，由于它的值是228，没有对应的字母能够显示，因此以十六进制显示字节的数值。len()函数能够返回字符串的长度：

>>> len(u'ABC') 3 >>> len('ABC') 3 >>> len(u'中文') 2 >>> len('\xe4\xb8\xad\xe6\x96\x87') 6 

反过来，把UTF-8编码表示的字符串'xxx'转换为Unicode字符串u'xxx'用decode('utf-8')方法：

>>> 'abc'.decode('utf-8') u'abc' >>> '\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8') u'\u4e2d\u6587' >>> print '\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8') 中文 

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 python # -*- 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。

 

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' 

对于Unicode字符串，用法彻底同样，但最好确保替换的字符串也是Unicode字符串：

>>> u'Hi, %s' % u'Michael' u'Hi, Michael' 

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

因为历史遗留问题，Python 2.x版本虽然支持Unicode，但在语法上须要'xxx'和u'xxx'两种字符串表示方式。

Python固然也支持其余编码方式，好比把Unicode编码成GB2312：

>>> u'中文'.encode('gb2312') '\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Unicode和UTF-8这两种编码方式。

在Python 3.x版本中，把'xxx'和u'xxx'统一成Unicode编码，即写不写前缀u都是同样的，而以字节形式表示的字符串则必须加上b前缀：b'xxx'。

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。

 

 

注：ASCII最先，可是不支持中文；unicode支持中文，可是容量太大；utf-8既支持中文，又能够节省空间！