1. 程式人生 > >python字串字首和編碼

python字串字首和編碼

字串字首

1. 普通字串

一般字串都是預設用Unicode編碼的,可以用\來轉義,例如:

a = u'test\ntest'  # 等同於a = 'test\ntest'
print(a)
# 輸出
test
test

2. 字串前面加r

在字串前面加上一個 r 表示該字串為raw string,不識別轉義。

a = r'test\ntest'  # 等同於a = 'test\\ntest'
print(a)
# 輸出
test\ntest

3. 字串前面加b

生成位元組序列物件bytearray。這在需要按位元組序列傳送資料時有用,比如網路傳送.

message = b"GET / HTTP/1.1\r\n\r\n"
s.sendall(message)

message的型別不再是str,而是bytes了。

字元編碼

因為計算機只能處理數字,如果要處理文字,就必須先把文字轉換為數字才能處理。最早的計算機在設計時採用8個位元(bit)作為一個位元組(byte),所以,一個位元組能表示的最大的整數就是255(二進位制11111111=十進位制255),如果要表示更大的整數,就必須用更多的位元組。比如兩個位元組可以表示的最大整數是65535,4個位元組可以表示的最大整數是4294967295。

最早只有127個字元被編碼到計算機裡,也就是大小寫英文字母、數字和一些符號,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位元組是不夠的,至少需要兩個位元組,而且還不能和ASCII編碼衝突,所以,中國製定了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裡,韓國把韓文編到Euc-kr裡,各國有各國的標準,就會不可避免地出現衝突,結果就是,在多語言混合的文字中,顯示出來會有亂碼。

因此,Unicode應運而生。Unicode把所有語言都統一到一套編碼裡,這樣就不會再有亂碼問題了。

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。

新的問題又出現了:如果統一成Unicode編碼,亂碼問題從此消失了。但是,如果你寫的文字基本上全部是英文的話,用Unicode編碼比ASCII編碼需要多一倍的儲存空間,在儲存和傳輸上就十分不划算。

所以,本著節約的精神,又出現了把Unicode編碼轉化為“可變長編碼”的UTF-8編碼。UTF-8編碼把一個Unicode字元根據不同的數字大小編碼成1-6個位元組,常用的英文字母被編碼成1個位元組,漢字通常是3個位元組,只有很生僻的字元才會被編碼成4-6個位元組。如果你要傳輸的文字包含大量英文字元,用UTF-8編碼就能節省空間:

字元 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現,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,大量只支援ASCII編碼的歷史遺留軟體可以在UTF-8編碼下繼續工作。

搞清楚了ASCII、Unicode和UTF-8的關係,我們就可以總結一下現在計算機系統通用的字元編碼工作方式:

在計算機記憶體中,統一使用Unicode編碼,當需要儲存到硬碟或者需要傳輸的時候,就轉換為UTF-8編碼。

用記事本編輯的時候,從檔案讀取的UTF-8字元被轉換為Unicode字元到記憶體裡,編輯完成後,儲存的時候再把Unicode轉換為UTF-8儲存到檔案:
這裡寫圖片描述
瀏覽網頁的時候,伺服器會把動態生成的Unicode內容轉換為UTF-8再傳輸到瀏覽器:
這裡寫圖片描述
所以你看到很多網頁的原始碼上會有類似的資訊,表示該網頁正是用的UTF-8編碼。

Python的字串

搞清楚了令人頭疼的字元編碼問題後,我們再來研究Python的字串。

在最新的Python 3版本中,字串是以Unicode編碼的,也就是說,Python的字串支援多語言,例如:

print('包含中文的str')
# 輸出
包含中文的str

對於單個字元的編碼,Python提供了ord()函式獲取字元的整數表示,chr()函式把編碼轉換為對應的字元:

ord('A')
# 輸出
65
ord('中')
# 輸出
20013
chr(66)
# 輸出
'B'
chr(25991)
# 輸出
'文'

如果知道字元的整數編碼,還可以用十六進位制這麼寫str:

'\u4e2d\u6587'
# 輸出
'中文'

兩種寫法完全是等價的。

由於Python的字串型別是str,在記憶體中以Unicode表示,一個字元對應若干個位元組。如果要在網路上傳輸,或者儲存到磁碟上,就需要把str變為以位元組為單位的bytes。

Python對bytes型別的資料用帶b字首的單引號或雙引號表示:

x = b’ABC’

要注意區分’ABC’和b’ABC’,前者是str,後者雖然內容顯示得和前者一樣,但bytes的每個字元都只佔用一個位元組。

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')
# 輸出
b'ABC'
'中文'.encode('utf-8')
# 輸出
b'\xe4\xb8\xad\xe6\x96\x87'
'中文'.encode('ascii')
# 輸出
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)

純英文的str可以用ASCII編碼為bytes,內容是一樣的,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,因為中文編碼的範圍超過了ASCII編碼的範圍,Python會報錯。

在bytes中,無法顯示為ASCII字元的位元組,用\x##顯示。

反過來,如果我們從網路或磁碟上讀取了位元組流,那麼讀到的資料就是bytes。要把bytes變為str,就需要用decode()方法:

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

要計算str包含多少個字元,可以用len()函式:

len('ABC')
# 輸出
3
len('中文')
# 輸出
2

len()函式計算的是str的字元數,如果換成bytes,len()函式就計算位元組數:

len(b'ABC')
# 輸出
3
len(b'\xe4\xb8\xad\xe6\x96\x87')
# 輸出
6
len('中文'.encode('utf-8'))
# 輸出
6

可見,1箇中文字元經過UTF-8編碼後通常會佔用3個位元組,而1個英文字元只佔用1個位元組。

在操作字串時,我們經常遇到str和bytes的互相轉換。為了避免亂碼問題,應當始終堅持使用UTF-8編碼對str和bytes進行轉換。

由於Python原始碼也是一個文字檔案,所以,當你的原始碼中包含中文的時候,在儲存原始碼時,就需要務必指定儲存為UTF-8編碼。當Python直譯器讀取原始碼時,為了讓它按UTF-8編碼讀取,我們通常在檔案開頭寫上這兩行:

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

第一行註釋是為了告訴Linux/OS X系統,這是一個Python可執行程式,Windows系統會忽略這個註釋;

第二行註釋是為了告訴Python直譯器,按照UTF-8編碼讀取原始碼,否則,你在原始碼中寫的中文輸出可能會有亂碼。

申明瞭UTF-8編碼並不意味著你的.py檔案就是UTF-8編碼的,必須並且要確保文字編輯器正在使用UTF-8 without BOM編碼:
這裡寫圖片描述
如果.py檔案本身使用UTF-8編碼,並且也申明瞭# -- coding: utf-8 --,開啟命令提示符測試就可以正常顯示中文:
這裡寫圖片描述

字串格式化

最後一個常見的問題是如何輸出格式化的字串。我們經常會輸出類似’親愛的xxx你好!你xx月的話費是xx,餘額是xx’之類的字串,而xxx的內容都是根據變數變化的,所以,需要一種簡便的格式化字串的方式。
這裡寫圖片描述
在Python中,採用的格式化方式和C語言是一致的,用%實現,舉例如下:

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

%運算子就是用來格式化字串的。在字串內部,%s表示用字串替換,%d表示用整數替換,有幾個%?佔位符,後面就跟幾個變數或者值,順序要對應好。如果只有一個%?,括號可以省略。

常見的佔位符有:

%d 整數
%f 浮點數
%s 字串
%x 十六進位制整數
其中,格式化整數和浮點數還可以指定是否補0和整數與小數的位數:

'%2d-%02d' % (3, 1)
# 輸出
' 3-01'
'%.2f' % 3.1415926
# 輸出
'3.14'

如果你不太確定應該用什麼,%s永遠起作用,它會把任何資料型別轉換為字串:

'Age: %s. Gender: %s' % (25, True)
# 輸出
'Age: 25. Gender: True'

有些時候,字串裡面的%是一個普通字元怎麼辦?這個時候就需要轉義,用%%來表示一個%:

'growth rate: %d %%' % 7
# 輸出
'growth rate: 7 %'

小結

Python 3的字串使用Unicode,直接支援多語言。

str和bytes互相轉換時,需要指定編碼。最常用的編碼是UTF-8。Python當然也支援其他編碼方式,比如把Unicode編碼成GB2312:

'中文'.encode('gb2312')
# 輸出
b'\xd6\xd0\xce\xc4'

但這種方式純屬自找麻煩,如果沒有特殊業務要求,請牢記僅使用UTF-8編碼。