python中bytes和str

一、python中bytes和str

Python3 最重要的新特性大概要算是对文本（text）和二进制数据（binary data）做了更为清晰的区分

（1）Python 3.0使用文本和（二进制）数据的概念而不是Unicode字符串和8位字符串。全部文本都是Unicode; 但编码的 Unicode表示为二进制数据。用于保存文本str的类型是用于保存数据的类型 bytes。与2.x状况的最大区别在于，任何在Python 3.0中混合文本和数据的尝试都会提升 TypeError，而若是你要在Python 2.x中混合使用Unicode和8位字符串，那么若是8位字符串可使用它碰巧只包含7位（ASCII）字节，但UnicodeDecodeError若是它包含非ASCII值，则会获得 。多年来，这种特订价值的行为形成了许多悲伤的面孔。、

（2）您不能再将u"..."文字用于Unicode文本。可是，您必须将b"..."文字用于二进制数据。

（3）因为str和bytes类型不能混合，所以必须始终在它们之间进行显式转换。使用str.encode() 从去str到bytes，并bytes.decode() 从去bytes到str。你也能够分别使用bytes(s, encoding=...) 和str(b,encoding=...).

>>> b=b'good' >>> print(type(b)) <class 'bytes'> >>> str(b3,encoding='utf-8') 'example' >>> print(type(str(b3,encoding='utf-8'))) <class 'str'> >>>

4）原始字符串文字中的全部反斜杠都按字面解释。这意味着原始字符串中的转义'\U'和'\u'转义不会被特别处理。例如，r'\u20ac'Python 3.0中是一个包含6个字符的字符串，而在2.6中，ur'\u20ac'则是单个“euro”字符。（固然，此更改仅影响原始字符串文字;欧元字符'\u20ac'在Python 3.0中。

总结bytes和str的区别：

一、bytes（一堆二进制的数字，如：b'11001010'）主要是给在计算机看的，string主要是给人看的

首先计算机能存储的惟一东西就是 bytes。因此为了在计算机中存储东西，咱们首先得将其编码（encode），例如将其转化为 bytes。好比：
要想保存音乐，咱们首先得用 MP3, WAV 等将其编码
要想保存图片，咱们首先得用 PNG, JPEG 等将其编码
要想保存文本，咱们首先得用 ASCII, UTF-8 等将其编码
Unicode 是字符集，不是字符编码。Unicode 把全世界的字符都搜集而且编号了，可是没有规定具体的编码规则。编码规则有 UTF-八、GBK 之类的。

Python3 不会以任意隐式的方式混用 str 和 bytes。正是这使得二者的区分特别清晰，你不能拼接字符串和字节包，也没法在字节包里搜索字符串（反之亦然），也不能将字符串传入参数为字节包的函数（反之亦然）。

二、中间有个桥梁就是编码规则，如今大趋势是utf8

例如：在编辑和保存文件时，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：

 

三、bytes对象是二进制，很容易转换成16进制，例如\x64

四、string就是咱们看到的内容，例如'abc'

五、string通过编码encode，转化成二进制对象，给计算机识别

六、bytes通过反编码decode，转化成string，让咱们看，可是注意反编码的编码规则是有范围,\xc8就不是utf8识别的范围

二、bytes和str的相互转换

（1）string to bytes

按 utf-8 的方式编码，转成 bytes

1 >>> string='good job' #str类型
2 >>> str_to_byte=string.encode('utf-8') #转换为bytes类型 3 >>> type(string) 4 <class 'str'>
5 >>> type(str_to_byte) 6 <class 'bytes'>
7 >>> print(str_to_byte) 8 b'good job'
9 >>>

按 gb2312 的方式编码，转成 bytes

>>> str_t_bytes=string.encode('gb2312')
>>> type(str_t_bytes)
<class 'bytes'>
>>> print(str_t_bytes)
b'good job'
>>>

 

（2）bytes 转换为s't'r

解码成 string，默认不填

>>> website_string = website_bytes_utf8.decode() >>> type(website_string) <class 'str'>
>>> website_string
>>>'http://www.jb51.net/'

 

解码成 string，使用 gb2312 的方式

>>> str='good job'
>>> website_bytes_gb2312=str.encode('gb2312') >>> type(website_bytes_gb2312) <class 'bytes'>
>>> website_string_gb2312=website_bytes_gb2312.decode('gb2312') <class 'str'>
>>> website_string_gb2312 'good job'
>>>

 

 

 

补充：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（二进制）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。