在最早的時候只有127個字元被編碼到電腦里,也就是大小寫英文字母、數字和一些符號,這個編碼被成為ASCII編碼。 但是要處理中文顯然一個位元組是不夠的,至少需要兩個位元組,而且還不能和ASCII編碼衝突,所以中國制定了GB2312編碼,用來把中文編進去。 世界上有很多語言,各國有各國的標準,就會不可避 ...
在最早的時候只有127個字元被編碼到電腦里,也就是大小寫英文字母、數字和一些符號,這個編碼被成為ASCII編碼。
但是要處理中文顯然一個位元組是不夠的,至少需要兩個位元組,而且還不能和ASCII編碼衝突,所以中國制定了GB2312編碼,用來把中文編進去。
世界上有很多語言,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會出現亂碼。因此,Unicode應運而生。Unicode把所有的語言都統一到一套編碼里,這樣就不會再有亂碼問題了。Unicode標準在不斷發展,但最常用的是用兩個位元組表示一個字元。
如果統一成Unicode編碼,亂碼問題從此消失了,但如果文本里基本上全部是英文的話,用Unicode編碼比ASCII編碼要多一倍的存儲空間,在存儲和傳輸上就十分不划算。這樣就出現了把Unicode編碼轉化為“可邊長編碼”的UTF-8編碼。UTF-8編碼把一個Unicode字元根據不同的數字大小編碼成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。
ASCII編碼實際上可以被看成是UTF-8編碼的一部分。
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。
在最新的Python 3版本中,字元串是以Unicode編碼的。
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。
由於Python的字元串類型是str,在記憶體中以Unicode表示,一個字元對應若幹個位元組。如果要在網路上傳輸,或者保存到磁碟上,就需要把str變為以位元組為單位的bytes。
Python對bytes類型的數據用帶b首碼的單引號或雙引號表示:x = b'ABC'。要註意區分'ABC'和b'ABC',前者是str,後者雖然內容顯示得和前者一樣,但bytes的每個字元都只占用一個位元組。
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')
'中文'.encode('utf-8')
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。
反過來,如果我們從網路或磁碟上讀取了位元組流,那麼讀到的數據就是bytes。要把bytes變為str,就需要用decode()方法:
b'ABC'.decode('ascii')
要計算str包含多少個字元,可以用len()函數。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。
格式化
在Python中,採用的格式化方式和C語言是一樣的,用%實現。
在字元串內部,%s表示用字元串替換,%d表示用整數替換,%f浮點數,%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和整數與小數的位數。比如:
print('%2d-%02d' % (3, 1))
print('%.2f' % 3.1415926)。
如果不太確定應該用什麼,%s永遠起作用,它會把任何數據類型轉換為字元串。
format:另一種格式化字元串的方法是使用字元串的format()方法,它會用傳入的參數依次替換字元串內的占位符{0}、{1}……,不過這種方式寫起來比%要麻煩得多:
'Hello, {0}, 成績提升了{1:.1f}%'.format('小明', 12,123),列印結果為:Hello, 小明,成績提升了17.1%。