(windows) Python 2.7 学习笔记 六 字符串和编码

字符编码

字符串也是一种数据类型,但是,字符串比较特殊的是还有一个编码问题。

因为计算机只能处理数字,如果要处理文本,就必须把文本转换为数字才能处理。最早的计算机在设计时采用 8 个比特(bit)作为一个字节 (byte),所以,一个字节能表示的最大的整数就是 255 (二进制 11111111 = 十进制 255 ),如果要表示更大的整数,就必须用更多的字节。比如两个字节可以表示的最大的整数是 65535,4个字节可以表示的最大整数是 4294967295。

由于计算机是美国人发明的,因此,最早只有 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,这个编码表称为 ASCII 编码,比如大写字母 A 的编码是 65,小写字母 z 的编码是 122。

但是要处理中文显然一个字节是不够的,至少需要两个字节,而且还不能和 ASCII 编码冲突,所以,中国制定了 GB2312 编码,用来把中文编进去。

日文对应 Shift_JIS ,韩文对应 Euc-kr 里,各国语言混合的文本中,显示出来会有乱码。

Unicode 把所有的语言都统一到一套编码里。

Unicode 标准也在不断发展,但最常用的是用两个字节表示一个字符(如果要用到非常偏僻的字符,就需要 4 个字节)。现在操作系统和大多数编程语言都直接支持 Unicode。

ASCII 编码和 Unicode 编码的区别:ASCII 编码是 1 个字节,而 Unicode 编码通常是 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 是不同的;

汉字 中 已经超过了 ASCII 编码的范围,用 Unicode 编码是十进制的 20013,二进制的 01001110 00101101。

如果把 ASCII 编码的 A 用 Unicode 编码,只需要在前面补 0 就可以,因此,A 的 Unicode 编码是 00000000 01000001。

如果统一成 Unicode 编码,乱码问题从此消失了。但是,如果你写的文本基本上全部是英文的话,用 Unicode 编码比 ASCII 编码需要多一倍的存储空间,在存储和传输上就十分不划算。

UTF-8 编码把 Unicode 编码转化为“可变长编码”。

UTF-8 编码把一个 Unicode 字符根据不同的数字大小编码成 1-6 个字节,常用的英文字母被编码成 1 个字节,汉字通常是 3 个字节,只有很生僻的字符才会被编译成 4-6 个字节。如果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

UTF-8 编码有一个额外的好处,就是 ASCII 编码实际上可以被看成是 UTF-8 编码的一部分,所以,大量只支持 ASCII 编码的历史遗留软件可以在 UTF-8 编码下继续工作。

现在计算机系统通用的字符编码工作方式:

在计算机内存中,统一使用 Unicode 编码,当需要保存到硬盘或者需要传输的时候,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 在传输到浏览器:

所以你看到很多网页的源码上会有类似 <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

因为 Python 的诞生比 Unicode 标准发布的时间还要早,所以最早的 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,可以把字符和对应的数字相互转换:

Python 在后来添加了对 Unicode 的支持,以 Unicode 表示的字符串用 u’…’ 表示,比如:

写 u’中’ 和 u’\u4e2d’ 是一样的,\u 后面是十六进制的 Unicode 码。因此,u’A’ 和 u’\u0041′ 也是一样的。

两种字符串如何相互转换?字符串 ‘xxx’ 虽然是 ASCII 编码,但也可以看成是 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:

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同),而中文字符转换后 1 个Unicode 字符将变成 3 个 Unicode 字符,你看到的 \xe4 就是其中一个字节,因为它的值是 228,没有对应的字母可以表示,所以以十六进制显示字节的数值。len() 函数可以返回字符串的长度:

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:

由于 Python 源代码也是一个文本文件,所以,当你的源代码包含中文的时候,在保存源代码时,就需要务必指定保存为 UTF-8 编码。当 Python 解析器读取源代码时,为了让它按 UTF-8 编码读取,我们通常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,否则,你在源代码中写的中文输出可能会有乱码。

如果你使用 Notepad++ 进行编辑,除了要加上 # -*- coding: utf-8 -*- 外,中文字符串必须是 Unicode 字符串:

声明了 UTF-8 编码并不意味着你的 .py 文件就是 UTF-8 编码的,必须并且要确保 Notepad++ 正在使用 UTF-8 without BOM 编码:

如果 .py 文件本身使用 UTF-8 编码,并且也声明了 # -*- coding: utf-8 -*- ,打开命令提示符测试就可以正常显示中文。

格式化

我们经常会输出类似 ‘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,所以,需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,举例如下:

% 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。如果只有一个 %?,括号可以省略。

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可以指定是否补 0 和整数与小数的位数:

如果你不太确定应该用什么,%s 永远起作用,它会把任何数据类型转换为字符串:

对于 Unicode 字符串,用法完全一样,但最好确保替换的字符串也是 Unicode 字符串:

当 % 是普通字符的时候,就需要转义,用 %% 来表示一个 %:

Python 2.x 版本虽然支持 Unicode,但在语法上需要 ‘xxx’ 和 u’xxx’ 两种字符串表示方式。

Python 当然也支持其他编码方式,比如把 Unicode 编码成 GB2312:

如果没有特殊的业务要求,只要牢记使用 Unicode 和 UTF-8 这两种编码方式。

在 Python3.x 版本中,把 ‘xxx’ 和 u’xxx’ 统一成 Unicode 编码,即写不写前缀 u 都是一样的,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,可以用 Python 的交互式命令行测试,方便快捷。

发表评论

zh_CNChinese
zh_CNChinese