字串和編碼

Great-Fortune 討論專區 程式語言 Python 園地 字串和編碼

標籤: 

該主題包含 0 則回覆,有 1 個參與人,並且由  FrankDJWu5 年, 4 月 前 最後更新。

正在檢視 1 篇文章 - 1 至 1 (共計 1 篇)
  • 作者
    文章
  • #1162

    FrankDJWu
    參與者

    轉載自廖雪峰的官方網站

    字元編碼

    我們已經講過了,字串也是一種資料類型,但是,字串比較特殊的是還有一個編碼問題。
    因為電腦只能處理數位,如果要處理文本,就必須先把文本轉換為數位元才能處理。最早的電腦在設計時採用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11111111=十進位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。

    由於電腦是美國人發明的,因此,最早只有127個字元被編碼到電腦裡,也就是大小寫英文字母、數位元和一些符號,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,至少需要兩個位元元組,而且還不能和ASCII編碼衝突,所以,台灣制定了 BIG-5編碼,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,在多語言混合的文本中,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。

    Unicode標準也在不斷發展,但最常用的是用兩個位元組表示一個字元(如果要用到非常偏僻的字元,就需要4個位元元組)。現代作業系統和大多數程式設計語言都直接支援Unicode。
    現在,捋一捋ASCII編碼和Unicode編碼的區別:ASCII編碼是1個位元組,而Unicode編碼通常是2個位元組。

    字母A用ASCII編碼是十進位的65,二進位的01000001;
    字元0用ASCII編碼是十進位的48,二進位的00110000,注意字元’0’和整數0是不同的;
    漢字中已經超出了ASCII編碼的範圍,用Unicode編碼是十進位的20013,二進位的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字元根據不同的數位大小編碼成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。如果你要傳輸的文本包含大量英文字元,用UTF-8編碼就能節省空間:
    (參考附加圖檔python007.png)

    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,大量隻支援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電腦系統通用的字元編碼工作方式:

    在電腦記憶體中,統一使用Unicode編碼,當需要保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,從檔讀取的UTF-8字元被轉換為Unicode字元到記憶體裡,編輯完成後,保存的時候再把Unicode轉換為UTF-8保存到檔:

    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:

    所以你看到很多網頁的源碼上會有類似<meta charset=”UTF-8″ />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’)

    包含中文的str
    對於單個字元的編碼,Python提供了ord()函數獲取字元的整數表示,chr()函數把編碼轉換為對應的字元:
    >>> ord(‘A’)
    65
    >>> ord(‘中’)
    20013
    >>> chr(66)
    ‘B’
    >>> chr(25991)
    ‘文’

    如果知道字元的整數編碼,還可以用十六進位這麼寫str:
    >>> ‘\u4e2d\u6587’
    ‘中文’

    兩種寫法完全是等價的。

    由於Python的字串類型是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,或者保存到磁片上,就需要把str變為以位元組為單位的bytes。
    Python對bytes類型的資料用帶b首碼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’)
    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)

    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片上讀取了位元組流,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’)
    ‘ABC’
    >>> b’\xe4\xb8\xad\xe6\x96\x87′.decode(‘utf-8’)
    ‘中文’

    要計算str包含多少個字元,可以用len()函數:
    >>> len(‘ABC’)
    3
    >>> len(‘中文’)
    2

    len()函數計算的是str的字元數,如果換成bytes,len()函數就計算位元組數:
    >>> 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原始程式碼也是一個文字檔,所以,當你的原始程式碼中包含中文的時候,在保存原始程式碼時,就需要務必指定保存為UTF-8編碼。當Python解譯器讀取原始程式碼時,為了讓它按UTF-8編碼讀取,我們通常在檔開頭寫上這兩行:
    #!/usr/bin/env python3
    # -*- coding: utf-8 -*-

    第一行注釋是為了告訴Linux/OS X系統,這是一個Python可執行程式,Windows系統會忽略這個注釋;
    第二行注釋是為了告訴Python解譯器,按照UTF-8編碼讀取原始程式碼,否則,你在原始程式碼中寫的中文輸出可能會有亂碼。
    申明了UTF-8編碼並不意味著你的.py檔就是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:

    如果.py檔本身使用UTF-8編碼,並且也申明了# -*- coding: utf-8 -*-,打開命令提示符測試就可以正常顯示中文:

    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。

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

    你可能猜到了,%運運算元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%?預留位置,後面就跟幾個變數或者值,順序要對應好。如果只有一個%?,括弧可以省略。
    常見的預留位置有:
    %d 整數
    %f 浮點數
    %s 字串
    %x 十六進位整數

    其中,格式化整數和浮點數還可以指定是否補0和整數與小數的位元數:
    >>> ‘%2d-%02d’ % (3, 1)
    ‘ 3-01’
    >>> ‘%.2f’ % 3.1415926
    ‘3.14’

    如果你不太確定應該用什麼,%s永遠起作用,它會把任何資料類型轉換為字串:
    >>> ‘Age: %s. Gender: %s’ % (25, True)
    ‘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
    ‘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′)
    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。
    格式化字串的時候,可以用Python的互動式命令列測試,方便快捷。

    附加檔案:
    你必須 登入 才能查看附件檔案。
正在檢視 1 篇文章 - 1 至 1 (共計 1 篇)

抱歉,回覆主題必需先登入。