Python03_字符串和编码

Python

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。

一、字符编码

（1） ASCII编码：由大小写英文字母、数字和一些符号组成，共127个字符被从编码到计算机里，被称为ASCII编码。

（2） Unicode：各国所有语言统一到一套编码里，避免乱码。

关系如下：

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；

汉字中已经超出了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。

但若文本基本上是英文，用Unicode编码比ASCII编码需要多一倍的存储空间。

（3） UTF-8：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码成4-6个字节。如果传输的文本包含大量英文字符，用UTF-8编码就能节省空间：

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。

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。

二、Python字符串

（1）Python3字符串以Unicode编码，支持多种语言。

（2）对于单个字符的编码，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'

（3） 如果知道字符的整数编码，还可以用十六进制这么写str：

>>> '\u4e2d\u6587''中文'

（4） 由于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。如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes。

（5） 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'
注意区分'ABC'和b'ABC'，前者是str，后者虽然内容显示得和前者一样，但bytes的每个字符都只占用一个字节。

（6）以Unicode表示的str通过encode()方法可以编码为指定的bytes。

>>> '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可以用ASCII编码为bytes，内容是一样的，含有中文的str可以用UTF-8编码为bytes。含有中文的str无法用ASCII编码，因为中文编码的范围超过了ASCII编码的范围，Python会报错。 在bytes中，无法显示为ASCII字符的字节，用\x##显示。

（7）反过来，如果我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，就需要用decode()方法：

>>> b'ABC'.decode('ascii')
'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'

（8）要计算str包含多少个字符，可以用len()函数。len()函数计算的是str的字符数，如果换成bytes，len()函数就计算字节数。

（9）由于Python源代码也是一个文本文件，所以，当你的源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

申明了UTF-8编码并不意味着你的.py文件就是UTF-8编码的，必须并且要确保文本编辑器正在使用UTF-8 without BOM编码。

三、格式化

（1） %运算符用来格式化字符串。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。

>>> 'Hello, %s' % 'world'
'Hello, world'
>>> 'Hi, %s, you have $%d.' % ('Michael', 1000000)
'Hi, Michael, you have $1000000.'

（2） 常见的占位符有：

%s 永远起作用，它会把任何数据类型转换为字符串。

（3） 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：

>>> '%1d-%01d' % (3, 1)
' 3-01'
>>> '%.2f' % （3）1415926
'（3）14'

（4） 字符串里面的%是一个普通字符时需要转义，用%%来表示一个%：

>>> 'growth rate: %d %%' % 7
'growth rate: 7 %'