我的python3基础笔记之 【字符串和编码】
2017-08-05 17:22
393 查看
捋一捋ASCII编码和Unicode编码的区别:ASCII编码是1个字节,而Unicode编码通常是2个字节。
字母
字符
汉字
你可以猜测,如果把ASCII编码的
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
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,大量只支持ASCII编码的历史遗留软件可以在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计算机系统通用的字符编码工作方式:
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。
用记事本编辑的时候,从文件读取的UTF-8字符被转换为Unicode字符到内存里,编辑完成后,保存的时候再把Unicode转换为UTF-8保存到文件:
浏览网页的时候,服务器会把动态生成的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
搞清楚了令人头疼的字符编码问题后,我们再来研究Python的字符串。
在最新的Python 3版本中,字符串是以Unicode编码的,也就是说,Python的字符串支持多语言,例如:
对于单个字符的编码,Python提供了
如果知道字符的整数编码,还可以用十六进制这么写
两种写法完全是等价的。
由于Python的字符串类型是
Python对
要注意区分
以Unicode表示的
纯英文的
在
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
要计算
可见,1个中文字符经过UTF-8编码后通常会占用3个字节,而1个英文字符只占用1个字节。
在操作字符串时,我们经常遇到
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这两行:
第一行注释是为了告诉Linux/OS X系统,这是一个Python可执行程序,Windows系统会忽略这个注释;
第二行注释是为了告诉Python解释器,按照UTF-8编码读取源代码,否则,你在源代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
BOM编码:
如果
最后一个常见的问题是如何输出格式化的字符串。我们经常会输出类似
在Python中,采用的格式化方式和C语言是一致的,用
你可能猜到了,
常见的占位符有:
其中,格式化整数和浮点数还可以指定是否补0和整数与小数的位数:
如果你不太确定应该用什么,
有些时候,字符串里面的
备注:笔记内容来自廖雪峰老师廖雪峰
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。
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。如果你要传输的文本包含大量英文字符,用UTF-8编码就能节省空间:
字符 | ASCII | Unicode | UTF-8 |
---|---|---|---|
A | 01000001 | 00000000 01000001 | 01000001 |
中 | x | 01001110 00101101 | 11100100 10111000 10101101 |
搞清楚了ASCII、Unicode和UTF-8的关系,我们就可以总结一下现在计算机系统通用的字符编码工作方式:
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。
用记事本编辑的时候,从文件读取的UTF-8字符被转换为Unicode字符到内存里,编辑完成后,保存的时候再把Unicode转换为UTF-8保存到文件:
浏览网页的时候,服务器会把动态生成的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" />的信息,表示该网页正是用的UTF-8编码。
Python的字符串
搞清楚了令人头疼的字符编码问题后,我们再来研究Python的字符串。在最新的Python 3版本中,字符串是以Unicode编码的,也就是说,Python的字符串支持多语言,例如:
>>> print('包含中文的str') 包含中文的str
对于单个字符的编码,Python提供了
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'
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'
两种写法完全是等价的。
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。
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'
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的每个字符都只占用一个字节。
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字符的字节,用
\x##显示。
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'
要计算
str包含多少个字符,可以用
len()函数:
>>> len('ABC') 3 >>> len('中文') 2
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:
>>> len(b'ABC') 3 >>> len(b'\xe4\xb8\xad\xe6\x96\x87') 6 >>> len('中文'.encode('utf-8')) 6
可见,1个中文字符经过UTF-8编码后通常会占用3个字节,而1个英文字符只占用1个字节。
在操作字符串时,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可执行程序,Windows系统会忽略这个注释;
第二行注释是为了告诉Python解释器,按照UTF-8编码读取源代码,否则,你在源代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:
如果
.py文件本身使用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符串。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'之类的字符串,而xxx的内容都是根据变量变化的,所以,需要一种简便的格式化字符串的方式。
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,
%运算符就是用来格式化字符串的。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。
常见的占位符有:
%d | 整数 |
%f | 浮点数 |
%s | 字符串 |
%x | 十六进制整数 |
>>> '%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,它会把任何数据类型转换为字符串:
>>> 'Age: %s. Gender: %s' % (25, True) 'Age: 25. Gender: True'
有些时候,字符串里面的
%是一个普通字符怎么办?这个时候就需要转义,用
%%来表示一个
%:
>>> 'growth rate: %d %%' % 7 'growth rate: 7 %'
备注:笔记内容来自廖雪峰老师廖雪峰
相关文章推荐
- 廖雪峰python3.6教程笔记3-Python基础之字符串与编码
- [Python入门及进阶笔记]Python-基础-字符串小结
- Python基础(字符串和编码)
- Python3学习笔记-字符串和编码
- python学习笔记-字符串和编码
- Python入门(二)——IDE选择PyCharm,输入和输出,基础规范,数据类型和变量,常量,字符串和编码,格式化
- python基础——字符串和编码
- Python学习笔记—字符串和编码
- python基础(二)关于编码和字符串操作etc
- 【零基础入门学习Python笔记003】插曲之变量和字符串|课习题答案
- Python基础学习笔记--字符串(一)
- 学习笔记☞ python 基础(python3)【三】(转义字符,字符串,while循环,break语句,列表)
- python基础教程学习笔记 第三章 字符串
- 【零基础入门学习Python笔记015】字符串:格式化
- Python基础教程笔记——第3章:使用字符串
- Python3 基础:字符串和编码
- 学习帖-廖雪峰Python教程3.0-Python基础-字符串和编码
- Python语言基础(三)_字符串和编码
- Python基础--变量定义、字符串切片及编码
- python笔记-001-基础(字符串和数值)