详解python当中的字符串和编码

字符编码

我们已经讲过了,字符串也是一种数据类型,但是,字符串比较特殊的是还有一个编码问题。

因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特(bit)作为一个字节(byte),所以,一个字节能表示的最大的整数就是255(二进制11111111=十进制255),如果要表示更大的整数,就必须用更多的字节。比如两个字节可以表示的最大整数是65535,4个字节可以表示的最大整数是4294967295。

由于计算机是美国人发明的,因此,最早只有127个字母被编码到计算机里,也就是大小写英文字母、数字和一些符号,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字节是不够的,至少需要两个字节,而且还不能和ascii编码冲突,所以,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。

char-encoding-problem

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字节表示一个字符(如果要用到非常偏僻的字符,就需要4个字节)。现代操作系统和大多数编程语言都直接支持unicode。

现在,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

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:

2015425170452922.png (307×278)

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:

2015425170517003.png (302×266)

所以你看到很多网页的源码上会有类似的信息,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对unicode的支持。

因为python的诞生比unicode标准发布的时间还要早,所以最早的python只支持ascii编码,普通的字符串’abc’在python内部都是ascii编码的。python提供了ord()和chr()函数,可以把字母和对应的数字相互转换:

>>> ord(‘a’)
65
>>> chr(65)
‘a’

python在后来添加了对unicode的支持,以unicode表示的字符串用u’…’表示,比如:

>>> print u’中文’
中文
>>> u’中’
u’\u4e2d’

写u’中’和u’\u4e2d’是一样的,\u后面是十六进制的unicode码。因此,u’a’和u’\u0041’也是一样的。

两种字符串如何相互转换?字符串’xxx’虽然是ascii编码,但也可以看成是utf-8编码,而u’xxx’则只能是unicode编码。

把u’xxx’转换为utf-8编码的’xxx’用encode(‘utf-8’)方法:

>>> u’abc’.encode(‘utf-8’)
‘abc’
>>> u’中文’.encode(‘utf-8’)
‘\xe4\xb8\xad\xe6\x96\x87’

英文字符转换后表示的utf-8的值和unicode值相等(但占用的存储空间不同),而中文字符转换后1个unicode字符将变为3个utf-8字符,你看到的\xe4就是其中一个字节,因为它的值是228,没有对应的字母可以显示,所以以十六进制显示字节的数值。len()函数可以返回字符串的长度:

>>> len(u’abc’)
3
>>> len(‘abc’)
3
>>> len(u’中文’)
2
>>> len(‘\xe4\xb8\xad\xe6\x96\x87’)
6

反过来,把utf-8编码表示的字符串’xxx’转换为unicode字符串u’xxx’用decode(‘utf-8’)方法:

>>> ‘abc’.decode(‘utf-8′)
u’abc’
>>> ‘\xe4\xb8\xad\xe6\x96\x87’.decode(‘utf-8′)
u’\u4e2d\u6587’
>>> print ‘\xe4\xb8\xad\xe6\x96\x87’.decode(‘utf-8’)
中文

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 python
# -*- 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notepad++正在使用utf-8 without bom编码:
如果你使用notepad++进行编辑,除了要加上# -*- coding: utf-8 -*-外,中文字符串必须是unicode字符串:

2015425170727048.png (634×323)

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notepad++正在使用utf-8 without bom编码:

2015425170755434.png (634×323)

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:

2015425170819063.png (413×267)

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

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:

>>> ‘%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’

对于unicode字符串,用法完全一样,但最好确保替换的字符串也是unicode字符串:

>>> u’hi, %s’ % u’michael’
u’hi, michael’

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 %’

小结

由于历史遗留问题,python 2.x版本虽然支持unicode,但在语法上需要’xxx’和u’xxx’两种字符串表示方式。

python当然也支持其他编码方式,比如把unicode编码成gb2312:

>>> u’中文’.encode(‘gb2312’)
‘\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unicode和utf-8这两种编码方式。

在python 3.x版本中,把’xxx’和u’xxx’统一成unicode编码,即写不写前缀u都是一样的,而以字节形式表示的字符串则必须加上b前缀:b’xxx’。

格式化字符串的时候,可以用python的交互式命令行测试,方便快捷。

Posted in 未分类