字串和編碼

[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。

[作者]

文章