注：本篇博客是學習廖雪峰老師網(wǎng)站的摘抄，是為了方便以后的學習。
如有侵權(quán)，請聯(lián)系刪除！
聯(lián)系郵箱：1103540209@qq.com
文章目錄
- 1.字符編碼
- 2.Python的字符串
- 3.格式化
- format()
- 4.小結(jié)
- 5.參考
1.字符編碼
我們已經(jīng)講過了，字符串也是一種數(shù)據(jù)類型，但是，字符串比較特殊的是還有一個編碼問題。
因為計算機只能處理數(shù)字，如果要處理文本，就必須先把文本轉(zhuǎn)換為數(shù)字才能處理。最早的計算機在設(shè)計時采用8個比特（bit）作為一個字節(jié)（byte），所以，一個字節(jié)能表示的最大的整數(shù)就是255（二進制11111111=十進制255），如果要表示更大的整數(shù)，就必須用更多的字節(jié)。比如兩個字節(jié)可以表示的最大整數(shù)是
65535
，4個字節(jié)可以表示的最大整數(shù)是
4294967295
。
由于計算機是美國人發(fā)明的，因此，最早只有127個字符被編碼到計算機里，也就是大小寫英文字母、數(shù)字和一些符號，這個編碼表被稱為
ASCII
編碼，比如大寫字母
A
的編碼是
65
，小寫字母
z
的編碼是
122
。
但是要處理中文顯然一個字節(jié)是不夠的，至少需要兩個字節(jié)，而且還不能和ASCII編碼沖突，所以，中國制定了
GB2312
編碼，用來把中文編進去。
你可以想得到的是，全世界有上百種語言，日本把日文編到
Shift_JIS
里，韓國把韓文編到
Euc-kr
里，各國有各國的標準，就會不可避免地出現(xiàn)沖突，結(jié)果就是，在多語言混合的文本中，顯示出來會有亂碼。
因此，Unicode應(yīng)運而生。Unicode把所有語言都統(tǒng)一到一套編碼里，這樣就不會再有亂碼問題了。
Unicode標準也在不斷發(fā)展，但最常用的是用兩個字節(jié)表示一個字符（如果要用到非常偏僻的字符，就需要4個字節(jié)）。現(xiàn)代操作系統(tǒng)和大多數(shù)編程語言都直接支持Unicode。
現(xiàn)在，捋一捋ASCII編碼和Unicode編碼的區(qū)別：ASCII編碼是1個字節(jié)，而Unicode編碼通常是2個字節(jié)。
字母
A
用ASCII編碼是十進制的
65
，二進制的
01000001
；
字符
0
用ASCII編碼是十進制的
48
，二進制的
00110000
，注意字符
'0'
和整數(shù)
0
是不同的；
漢字
中
已經(jīng)超出了ASCII編碼的范圍，用Unicode編碼是十進制的
20013
，二進制的
01001110 00101101
。
你可以猜測，如果把ASCII編碼的
A
用Unicode編碼，只需要在前面補0就可以，因此，
A
的Unicode編碼是
00000000 01000001
。
新的問題又出現(xiàn)了：如果統(tǒng)一成Unicode編碼，亂碼問題從此消失了。但是，如果你寫的文本基本上全部是英文的話，用Unicode編碼比ASCII編碼需要多一倍的存儲空間，在存儲和傳輸上就十分不劃算。
所以，本著節(jié)約的精神，又出現(xiàn)了把Unicode編碼轉(zhuǎn)化為“可變長編碼”的
UTF-8
編碼。UTF-8編碼把一個Unicode字符根據(jù)不同的數(shù)字大小編碼成1-6個字節(jié)，常用的英文字母被編碼成1個字節(jié)，漢字通常是3個字節(jié)，只有很生僻的字符才會被編碼成4-6個字節(jié)。如果你要傳輸?shù)奈谋景罅坑⑽淖址?，用UTF-8編碼就能節(jié)省空間：
| 字符 | ASCII | Unicode | UTF-8 |
|---|---|---|---|
| A | 01000001 | 00000000 01000001 | 01000001 |
| 中 | x | 01001110 00101101 | 11100100 10111000 10101101 |
從上面的表格還可以發(fā)現(xiàn)，UTF-8編碼有一個額外的好處，就是ASCII編碼實際上可以被看成是UTF-8編碼的一部分，所以，大量只支持ASCII編碼的歷史遺留軟件可以在UTF-8編碼下繼續(xù)工作。
搞清楚了ASCII、Unicode和UTF-8的關(guān)系，我們就可以總結(jié)一下現(xiàn)在計算機系統(tǒng)通用的字符編碼工作方式：
-
在計算機內(nèi)存中，統(tǒng)一使用Unicode編碼，當需要保存到硬盤或者需要傳輸?shù)臅r候，就轉(zhuǎn)換為UTF-8編碼。
-
用記事本編輯的時候，從文件讀取的UTF-8字符被轉(zhuǎn)換為Unicode字符到內(nèi)存里，編輯完成后，保存的時候再把Unicode轉(zhuǎn)換為UTF-8保存到文件。
-
瀏覽網(wǎng)頁的時候，服務(wù)器會把動態(tài)生成的Unicode內(nèi)容轉(zhuǎn)換為UTF-8再傳輸?shù)綖g覽器：
所以你看到很多網(wǎng)頁的源碼上會有類似
的信息，表示該網(wǎng)頁正是用的UTF-8編碼。
2.Python的字符串
搞清楚了令人頭疼的字符編碼問題后，我們再來研究Python的字符串。
在最新的Python 3版本中，字符串是以Unicode編碼的，也就是說，Python的字符串支持多語言，例如：
>>
>
print
(
'包含中文的str'
)
包含中文的
str
對于單個字符的編碼，Python提供了
ord()
函數(shù)獲取字符的整數(shù)表示，
chr()
函數(shù)把編碼轉(zhuǎn)換為對應(yīng)的字符：
>>
>
ord
(
'A'
)
65
>>
>
ord
(
'中'
)
20013
>>
>
chr
(
66
)
'B'
>>
>
chr
(
25991
)
'文'
如果知道字符的整數(shù)編碼，還可以用十六進制這么寫
str
：
>>
>
'\u4e2d\u6587'
'中文'
兩種寫法完全是等價的。
由于Python的字符串類型是
str
，在內(nèi)存中以Unicode表示，一個字符對應(yīng)若干個字節(jié)。如果要在網(wǎng)絡(luò)上傳輸，或者保存到磁盤上，就需要把
str
變?yōu)橐宰止?jié)為單位的
bytes
。
Python對
bytes
類型的數(shù)據(jù)用帶
b
前綴的單引號或雙引號表示：
x
=
b
'ABC'
要注意區(qū)分
'ABC'
和
b'ABC'
，前者是
str
，后者雖然內(nèi)容顯示得和前者一樣，但
bytes
的每個字符都只占用一個字節(jié)。
**以Unicode表示的
str
通過
encode()
方法可以編碼為指定的
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
"
"
,
line
1
,
in
<
module
>
UnicodeEncodeError
:
'ascii'
codec can't encode characters
in
position
0
-
1
:
ordinal
not
in
range
(
128
)
純英文的
str
可以用
ASCII
編碼為
bytes
，內(nèi)容是一樣的，含有中文的
str
可以用
UTF-8
編碼為
bytes
。含有中文的
str
無法用
ASCII
編碼，因為中文編碼的范圍超過了
ASCII
編碼的范圍，Python會報錯。
在
bytes
中，無法顯示為ASCII字符的字節(jié)，用
\x##
顯示。
反過來，如果我們從網(wǎng)絡(luò)或磁盤上讀取了字節(jié)流，那么讀到的數(shù)據(jù)就是
bytes
。要把
bytes
變?yōu)?
str
，就需要用
decode()
方法：
>>
>
b
'ABC'
.
decode
(
'ascii'
)
'ABC'
>>
>
b
'\xe4\xb8\xad\xe6\x96\x87'
.
decode
(
'utf-8'
)
'中文'
如果
bytes
中包含無法解碼的字節(jié)，
decode()
方法會報錯：
>>
>
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
如果
bytes
中只有一小部分無效的字節(jié)，可以傳入
errors='ignore'
忽略錯誤的字節(jié)：
>>
>
b
'\xe4\xb8\xad\xff'
.
decode
(
'utf-8'
,
errors
=
'ignore'
)
'中'
要計算
str
包含多少個字符，可以用
len()
函數(shù)：
>>
>
len
(
'ABC'
)
3
>>
>
len
(
'中文'
)
2
len()
函數(shù)計算的是
str
的字符數(shù)，如果換成
bytes
，
len()
函數(shù)就計算字節(jié)數(shù)：
>>
>
len
(
b
'ABC'
)
3
>>
>
len
(
b
'\xe4\xb8\xad\xe6\x96\x87'
)
6
>>
>
len
(
'中文'
.
encode
(
'utf-8'
)
)
6
可見，1個中文字符經(jīng)過UTF-8編碼后通常會占用3個字節(jié)，而1個英文字符只占用1個字節(jié)。
在操作字符串時，我們經(jīng)常遇到
str
和
bytes
的互相轉(zhuǎn)換。為了避免亂碼問題，應(yīng)當始終堅持使用UTF-8編碼對
str
和
bytes
進行轉(zhuǎn)換。
由于Python源代碼也是一個文本文件，所以，當你的源代碼中包含中文的時候，在保存源代碼時，就需要務(wù)必指定保存為UTF-8編碼。當Python解釋器讀取源代碼時，為了讓它按UTF-8編碼讀取，我們通常在文件開頭寫上這兩行：
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
第一行注釋是為了告訴Linux/OS X系統(tǒng)，這是一個Python可執(zhí)行程序，Windows系統(tǒng)會忽略這個注釋；
第二行注釋是為了告訴Python解釋器，按照UTF-8編碼讀取源代碼，否則，你在源代碼中寫的中文輸出可能會有亂碼。
申明了UTF-8編碼并不意味著你的
.py
文件就是UTF-8編碼的，必須并且要確保文本編輯器正在使用UTF-8 without BOM編碼：
如果
.py
文件本身使用UTF-8編碼，并且也申明了
# -*- coding: utf-8 -*-
，打開命令提示符測試就可以正常顯示中文：
3.格式化
最后一個常見的問題是如何輸出格式化的字符串。我們經(jīng)常會輸出類似
'親愛的xxx你好！你xx月的話費是xx，余額是xx'
之類的字符串，而xxx的內(nèi)容都是根據(jù)變量變化的，所以，需要一種簡便的格式化字符串的方式。
在Python中，采用的格式化方式和C語言是一致的，用
%
實現(xiàn)，舉例如下：
>>
>
'Hello, %s'
%
'world'
'Hello, world'
>>
>
'Hi, %s, you have $%d.'
%
(
'Michael'
,
1000000
)
'Hi, Michael, you have $1000000.'
你可能猜到了，
%
運算符就是用來格式化字符串的。在字符串內(nèi)部，
%s
表示用字符串替換，
%d
表示用整數(shù)替換，有幾個
%?
占位符，后面就跟幾個變量或者值，順序要對應(yīng)好。如果只有一個
%?
，括號可以省略。
常見的占位符有：
| 占位符 | 替換內(nèi)容 |
|---|---|
| %d | 整數(shù) |
| %f | 浮點數(shù) |
| %s | 字符串 |
| %x | 十六進制整數(shù) |
其中，格式化整數(shù)和浮點數(shù)還可以指定是否補0和整數(shù)與小數(shù)的位數(shù)：
# -*- coding: utf-8 -*-
print
(
'%2d-%02d'
%
(
3
,
1
)
)
print
(
'%.2f'
%
3.1415926
)
如果你不太確定應(yīng)該用什么，
%s
永遠起作用，它會把任何數(shù)據(jù)類型轉(zhuǎn)換為字符串：
>>> 'Age: %s. Gender: %s' % (25, True)
'Age: 25. Gender: True'
有些時候，字符串里面的
%
是一個普通字符怎么辦？這個時候就需要轉(zhuǎn)義，用
%%
來表示一個
%
：
>>
>
'growth rate: %d %%'
%
7
'growth rate: 7 %'
format()
另一種格式化字符串的方法是使用字符串的
format()
方法，它會用傳入的參數(shù)依次替換字符串內(nèi)的占位符
{0}
、
{1}
……，不過這種方式寫起來比%要麻煩得多：
>>
>
'Hello, {0}, 成績提升了 {1:.1f}%'
.
format
(
'小明'
,
17.125
)
'Hello, 小明, 成績提升了 17.1%'
4.小結(jié)
Python 3的字符串使用Unicode，直接支持多語言。
當
str
和
bytes
互相轉(zhuǎn)換時，需要指定編碼。最常用的編碼是
UTF-8
。Python當然也支持其他編碼方式，比如把Unicode編碼成
GB2312
：
>>
>
'中文'
.
encode
(
'gb2312'
)
b
'\xd6\xd0\xce\xc4'
但這種方式純屬自找麻煩，如果沒有特殊業(yè)務(wù)要求，請牢記僅使用
UTF-8
編碼。
格式化字符串的時候，可以用Python的交互式環(huán)境測試，方便快捷。
5.參考
https://www.liaoxuefeng.com/wiki/1016959663602400/101707532363289
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯(lián)系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
