Peter_Matthew的博客

【Python入门】04 Python基础3——字符串和编码

2019-02-15

本文共3k字,大约需要阅读12分钟。

在上一期的末尾我们说到一段代码

1
2
3
4
5
6
7
8
# -*- coding: utf-8 -*-
n = 123
f = 456.789
s1 = 'Hello, world'
s2 = 'Hello, \'Adam\''
s3 = r'Hello, "Bart"'
s4 = r'''Hello,
Lisa!'''

我们看到有一行注释# -*- coding: utf-8 -*-

这个表示编码采用UTF-8编码,那么什么是字符编码呢?

字符编码

我们已经知道字符串也是一种数据类型,但是,字符串还存在一个特殊的编码问题。

计算机在设计时以8比特(bit)作为一个字节(byte),所以一个字节最大表示整数为255($11111111_{(2)}=255_{(10)}$),如果要表示更大的整数,需要用更多的字节,比如两个字节最大为65535,4个字节最大为4294967295。
由于计算机是美国人发明的,最早只有127个字符被编码写入计算机,也就是大小写英文字母、数字和一些符号,它们被称为ASCII编码,比如大写字母A是65,小写字母z是122。
但是明显中文一个字节肯定不够用,起码也要两个字节,而且不能与ASCII编码冲突,于是中国便制定了GB2312编码,用来把中文编进去。
你可以想到的是,全世界有上百种语言,日本把日文编到Shift-JIS编码里,韩国把韩文编到EUC-KR编码里,甚至中文的繁体字都采用另一种编码Big5。各国有各国的标准,就会不可避免的产生冲突,结果就是,在多语言的文本中,会出现乱码。

字符编码的问题真是令人头疼!

因此,Unicode应运而生,Unicode把所有语言统一到一套编码,这样就不会再出现乱码问题了。
Unicode标准不断地在发展,最常用地是用两个字节表示一个字符(偏僻字符需要4个字节)。现代的操作系统和大多数编程语言都直接支持Unicode。
现在,捋一捋ASCII和Unicode的编码区别:ASCII编码是一个字节,Unicode通常是两个字节。

例如:

  • 字母A用ASCII编码是十进制65,二进制01000001
  • 字符0用ASCII编码是十进制48,二进制00110000,注意这里的0是字符'0'而不是整数0
  • 汉字超出ASCII编码范围,用Unicode编码是十进制的20013,二进制01001110 00101101

你可以猜测的是,如果把ASCII编码的A用Unicode编码,在前方补0,因此A的Unicode编码是00000000 01000001

但是新的问题又出现了:如果统一成Unicode编码,乱码问题没了,但是如果你写的文本基本上全是英文的话,用Unicode编码比ASCII编码多一倍空间,所以储存和传输上十分不划算。
所以本着节约的精神,又出现了把Unicode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,汉字通常是三个字节,只有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
X 01001110 00101101 11100100 10111000 10101101

从上面的表格还可以发现,UTF-8有个额外的好处,就是ASCII编码实际上是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,我们现在总结下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:

浏览网页时,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

搞清楚了字符编码问题后,我们再来研究Python的字符串。

在最新版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:

1
2
>>> 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()函数把编码转换成对应的字符:

1
2
3
4
5
6
7
8
>>> 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:

1
2
>>> '\u4e2d\u6587'
'中文'

两种写法完全等价。

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b前缀表示:

1
x=b'ABC'

注意区分'ABC'b'ABC',前者是str,后者虽然显示和前者一样,但bytes的每个字符都只占用一个字节。

以Unicode表示的str通过encode()方法可以编码为直径的bytes,例如:

1
2
3
4
5
6
7
8
>>> '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,内容一致,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,因为中文编码范围超过了ASCII,Python会报错。

在bytes中,无法显示为ASCII自负的字节,用\x##显示。

反过来,如果我们从网络或磁盘上读取了字节流,那么读取到的数据就是bytes。腰包bytes变为str,需要decode()

1
2
3
4
>>> b'ABC'.decode('ascii')
'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'

如果bytes中包含无法解码的字节,decode()会报错:

1
2
3
4
>>> b'\xe4\xb8\xad\xff'.decode('utf-8')
Traceback (most recent call last):
...
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte

如果bytes中只有一小部分无效的字节,可以传入errors='ignore'忽略错误的字节:

1
2
>>> b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore')
'中'

要计算str包含多少个字符,可以用len()函数:

1
2
3
4
>>> 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()就计算字节数:

1
2
3
4
5
6
>>> 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:

1
2
#!/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:

1
2
3
4
>>> '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。

占位符 替换内容
%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:

1
2
3
4
>>> print('%2d-%02d'%(3,1))
3-01
>>> print('%.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:

1
2
>>> '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%

1
2
>>> 'growth rate: %d %%'%7
'growth rate: 7 %'

format()

另一种格式化字符串的方法是使用format(),它会用传入的参数一次替换字符串中的占位符{0}{1}……,不过这明显比%麻烦得多:

1
2
>>> 'Hello, {0}, 成绩提升了 {1:.1f}%'.format('小明',17.125)
'Hello, 小明, 成绩提升了 17.1%'

小结

Python 3的字符串使用Unicode,直接支持多语言。

当str和bytes互相转换时,需要指定编码。最常用的编码是UTF-8。Python当然也支持其他编码方式,比如把Unicode编码成GB2312:

1
2
>>> '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。

格式化字符串的时候,可以用Python的交互式环境测试,方便快捷。


提前尝试

复习知识点并尝试练习此题目:

T04-01: 小明的成绩从去年的72分提升到了今年的85分,请计算小明成绩提升的百分点,并用字符串格式化显示出'xx.x%',只保留小数点后1位:

提示:

1
2
3
4
5
# -*- coding: utf-8 -*-
s1 = 72
s2 = 85
r = ???
print('???' % r)

请执行此代码

1
2
3
4
5
a=100
if a>=0:
print(a)
else:
print(-a)

观察显示的的结果并尝试完成以下任务:

  1. 思考这段代码中每行都表示什么意思
  2. 修改a的值或将a的值变为输入时赋值

知识共享许可协议

知识共享许可协议

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。

使用支付宝打赏
使用微信打赏

若你觉得我的文章对你有帮助,欢迎点击上方按钮对我打赏