字串和编码

[FrankDJWu参与者]

转载自廖雪峰的官方网站

字元编码

我们已经讲过了，字串也是一种资料类型，但是，字串比较特殊的是还有一个编码问题。
因为电脑只能处理数位，如果要处理文本，就必须先把文本转换为数位元才能处理。最早的电脑在设计时采用8个位元（bit）作为一个位元组（byte），所以，一个位元组能表示的最大的整数就是255（二进位11111111=十进位255），如果要表示更大的整数，就必须用更多的位元组。比如两个位元组可以表示的最大整数是65535，4个位元组可以表示的最大整数是4294967295。

由于电脑是美国人发明的，因此，最早只有127个字元被编码到电脑里，也就是大小写英文字母、数位元和一些符号，这个编码表被称为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位元组是不够的，至少需要两个位元元组，而且还不能和ASCII编码冲突，所以，台湾制定了 BIG-5编码，中国制定了GB2312编码，用来把中文编进去。

你可以想得到的是，全世界有上百种语言，日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里，各国有各国的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。

因此，Unicode应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。

Unicode标准也在不断发展，但最常用的是用两个位元组表示一个字元（如果要用到非常偏僻的字元，就需要4个位元元组）。现代作业系统和大多数程式设计语言都直接支援Unicode。
现在，捋一捋ASCII编码和Unicode编码的区别：ASCII编码是1个位元组，而Unicode编码通常是2个位元组。

字母A用ASCII编码是十进位的65，二进位的01000001；
字元0用ASCII编码是十进位的48，二进位的00110000，注意字元’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编码是十进位的20013，二进位的01001110 00101101。

你可以猜测，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。

新的问题又出现了：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。

所以，本着节约的精神，又出现了把Unicode编码转化为“可变长编码”的UTF-8编码。UTF-8编码把一个Unicode字元根据不同的数位大小编码成1-6个位元组，常用的英文字母被编码成1个位元组，汉字通常是3个位元组，只有很生僻的字元才会被编码成4-6个位元组。如果你要传输的文本包含大量英文字元，用UTF-8编码就能节省空间：
(参考附加图档python007.png)

从上面的表格还可以发现，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，大量只支援ASCII编码的历史遗留软体可以在UTF-8编码下继续工作。

搞清楚了ASCII、Unicode和UTF-8的关系，我们就可以总结一下现在电脑系统通用的字元编码工作方式：

在电脑记忆体中，统一使用Unicode编码，当需要保存到硬碟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，从档读取的UTF-8字元被转换为Unicode字元到记忆体里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到档：

浏览网页的时候，伺服器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器：

所以你看到很多网页的源码上会有类似<meta charset=”UTF-8″ />的资讯，表示该网页正是用的UTF-8编码。

Python的字串

搞清楚了令人头疼的字元编码问题后，我们再来研究Python的字串。
在最新的Python 3版本中，字串是以Unicode编码的，也就是说，Python的字串支援多语言，例如：

>>> print(‘包含中文的str’)

包含中文的str
对于单个字元的编码，Python提供了ord()函数获取字元的整数表示，chr()函数把编码转换为对应的字元：
>>> ord(‘A’)
65
>>> ord(‘中’)
20013
>>> chr(66)
‘B’
>>> chr(25991)
‘文’

如果知道字元的整数编码，还可以用十六进位这么写str：
>>> ‘\u4e2d\u6587’
‘中文’

两种写法完全是等价的。

由于Python的字串类型是str，在记忆体中以Unicode表示，一个字元对应若干个位元组。如果要在网路上传输，或者保存到磁片上，就需要把str变为以位元组为单位的bytes。
Python对bytes类型的资料用带b首码的单引号或双引号表示：
x = b’ABC’

要注意区分’ABC’和b’ABC’，前者是str，后者虽然内容显示得和前者一样，但bytes的每个字元都只占用一个位元组。
以Unicode表示的str通过encode()方法可以编码为指定的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)

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字元的位元组，用\x##显示。
反过来，如果我们从网路或磁片上读取了位元组流，那么读到的资料就是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’

要计算str包含多少个字元，可以用len()函数：
>>> len(‘ABC’)
3
>>> len(‘中文’)
2

len()函数计算的是str的字元数，如果换成bytes，len()函数就计算位元组数：
>>> len(b’ABC’)
3
>>> len(b’\xe4\xb8\xad\xe6\x96\x87′)
6
>>> len(‘中文’.encode(‘utf-8’))
6

可见，1个中文字元经过UTF-8编码后通常会占用3个位元组，而1个英文字元只占用1个位元组。

在操作字串时，我们经常遇到str和bytes的互相转换。为了避免乱码问题，应当始终坚持使用UTF-8编码对str和bytes进行转换。

由于Python原始程式码也是一个文字档，所以，当你的原始程式码中包含中文的时候，在保存原始程式码时，就需要务必指定保存为UTF-8编码。当Python解译器读取原始程式码时，为了让它按UTF-8编码读取，我们通常在档开头写上这两行：
#!/usr/bin/env python3
# -*- coding: utf-8 -*-

第一行注释是为了告诉Linux/OS X系统，这是一个Python可执行程式，Windows系统会忽略这个注释；
第二行注释是为了告诉Python解译器，按照UTF-8编码读取原始程式码，否则，你在原始程式码中写的中文输出可能会有乱码。
申明了UTF-8编码并不意味着你的.py档就是UTF-8编码的，必须并且要确保文字编辑器正在使用UTF-8 without BOM编码：

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

格式化

最后一个常见的问题是如何输出格式化的字串。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’之类的字串，而xxx的内容都是根据变数变化的，所以，需要一种简便的格式化字串的方式。

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

你可能猜到了，%运运算元就是用来格式化字串的。在字串内部，%s表示用字串替换，%d表示用整数替换，有几个%?预留位置，后面就跟几个变数或者值，顺序要对应好。如果只有一个%?，括弧可以省略。
常见的预留位置有：
%d 整数
%f 浮点数
%s 字串
%x 十六进位整数

其中，格式化整数和浮点数还可以指定是否补0和整数与小数的位元数：
>>> ‘%2d-%02d’ % (3, 1)
‘ 3-01’
>>> ‘%.2f’ % 3.1415926
‘3.14’

如果你不太确定应该用什么，%s永远起作用，它会把任何资料类型转换为字串：
>>> ‘Age: %s. Gender: %s’ % (25, True)
‘Age: 25. Gender: True’
有些时候，字串里面的%是一个普通字元怎么办？这个时候就需要转义，用%%来表示一个%：
>>> ‘growth rate: %d %%’ % 7
‘growth rate: 7 %’

小结

Python 3的字串使用Unicode，直接支援多语言。
str和bytes互相转换时，需要指定编码。最常用的编码是UTF-8。Python当然也支援其他编码方式，比如把Unicode编码成GB2312：
>>> ‘中文’.encode(‘gb2312′)
b’\xd6\xd0\xce\xc4’
但这种方式纯属自找麻烦，如果没有特殊业务要求，请牢记仅使用UTF-8编码。
格式化字串的时候，可以用Python的互动式命令列测试，方便快捷。

附加档案:

你必须 登入 才能查看附件档案。

[作者]

文章