python與中文的那點事

来源:https://www.cnblogs.com/huizhipeng/archive/2018/12/09/10089848.html
-Advertisement-
Play Games

Python編碼轉換問題;utf-8/gbk/unicode/ASCII ;統計字元串中數字,字母,漢字的個數 ...


目錄

python與中文的那點事

在學習python的過程中,發現在python2與python3中對中文的處理有所不同,所以這篇文章就來探討一下這些不同

1. utf-8/gbk/unicode/ASCII

  我們都知道,在電腦內部所有的信息都可以被表示成二進位的字元串,每一個二進位位有1和0兩種狀態,因此8位的二進位數可以表示256種狀態,這也被稱為位元組(byte),也就是一個位元組可以表示可以用來表示256種不同的狀態,每一個狀態都對應一個符號;上個年代美國制定了一套字元編碼,對應英文字母與二進位之間的關係,做了統一的規定。這被稱為ASCII,一直沿用至今。
  
  當然設計上存在很多的編碼方式,同一個二進位也可以被解釋成不同的符號,因此想要打開一個文件就必須要知道它的編碼方式,否則用錯誤的編碼方式進行讀取,就會產生亂碼。所以說如果有一種編碼,能適應世界上所有的編碼規則,那麼就可以解決掉所有的亂碼問題。所以Unicode這套編碼規則就被設計出來了,Unicode當然是一個很大的合集,可以容納100多萬個符號,每個符號的編碼都不一樣,但是要註意到的是,Unicode只是一個符號集,他並沒有規定這個二進位如何去存儲,所以有些字元是用2個位元組存儲,有的是三個或者四個位元組進行存儲,甚至更多。那麼這樣的話就會有一個問題,就是電腦應該如何確定到底是三位位元組決定一個符號,還是兩位元組決定一個符號。這樣造成的結果就是會產生多種的Unicode編碼方式,也就是說有不同的二進位格式,所以不能進行有效的推廣。
  
  隨著互聯網的普及,需要一種能夠統一的編碼方式,utf-8就是在互聯網上是用最廣的一種Unicode實現的方法,其他方法還有UFT-18和UTF-32,不過現在在互聯網上基本不是很通用,所以要強調的是UTF-8是Unicode的一種實現方式。UTF-8最大的一個特點就是它是一種變長的編碼模式;它可以用1~4個位元組表示一個符號,根據不同的符號而變化位元組長度。
  
  另外,UTF-8是Unix下的通用編碼,可以對漢字進行編碼;gbk是win環境下的一種漢字編碼格式。所有的UTF-8gbk編碼都得通過Unicode編碼進行轉換,而UTF-8gbk之間不能相互轉換,要在Unicode過個場。


  

  在下麵代碼中:

# -*- coding:utf-8 -*-
s='漢字'
print(s)

  s是一串utf-8編碼的漢字,在print的時候,先把utf-8轉化成unicode再輸出成正產顯示的漢字。

2.各種編碼之間的轉換

  python中有兩個很好用的函數decode()encode()
  decode('utf-8') 是從utf-8編碼轉換成unicode編碼,當然括弧里也可以寫'gbk'。
  encode('gbk') 是將unicode編碼編譯成gbk編碼,當然括弧里也可以寫'utf-8'。
假如我知道一串編碼是用gbk編寫的,怎麼轉成utf-8呢?

s.decode('utf-8').encode('gbk')

  那麼這樣就有一個有意思的小問題,如何看一個漢字分別用utf-8和gbk編碼所用的位數,我們用代碼演示一下:

#python3 中可以直接進行編碼
>>> len("測試代碼".encode("utf-8"))
12
>>> len("測試代碼".encode("gbk"))
8
#因為在Python3中預設就是unicode編碼

#python2中需要先decode 一次
>>> len("測試代碼".decode("utf-8").encode("utf-8"))
12
>>> len("測試代碼".decode("utf-8").encode("gbk"))
8

Python3.0中預設的編碼類型就是Unicode了,在python2.x中預設編碼是ascill。

3. 統計字元串中數字,字母,漢字的個數

#re模塊,實現正則匹配
import re

str_test = 'asdfghjkl123456測試代碼'
num_regex = re.compile(r'[0-9]')
alphabet_regex = re.compile(r'[a-zA-z]')
chzn_regex = re.compile(r'[\u4E00-\u9FA5]')

print('輸入字元串:',str_test)
#findall獲取字元串中所有匹配的字元
num_list = num_regex.findall(str_test)
print('包含的數字:',num_list)
alphabet_list = alphabet_regex.findall(str_test)
print('包含的字母:',alphabet_list)
chzn_list = chzn_regex.findall(str_test)
print('包含的漢字:',chzn_list)
print('數字個數:',len(num_list))
print('字母個數:',len(alphabet_list))
print('漢字個數:',len(chzn_list))

輸出結果:

輸入字元串: asdfghjkl123456測試代碼
包含的數字: ['1', '2', '3', '4', '5', '6']
包含的字母: ['a', 's', 'd', 'f', 'g', 'h', 'j', 'k', 'l']
包含的漢字: ['測', '試', '代', '碼']
數字個數: 6
字母個數: 9
漢字個數: 4

您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • Bootstrap -- 表格樣式、表單佈局 1. 表格的一些樣式 舉例: <!DOCTYPE html> <html> <head> <meta http-equiv="Content-Type" content="text/html; charset=utf-8"/> <title>My Tes ...
  • Python 項目的組織結構 - 包 -- 模塊 類 函數、變數 Python是利用包和模塊來組織一個項目的。 包: 包的物理表現是一個文件夾,但是一個文件夾卻不一定是個包,要想讓個文件夾成為一個包,就必須在這個文件夾下增加個特定的文件 __init__.py __init__.py裡面可以什麼也不 ...
  • springMVC第一個案例---hellospringMVC ...
  • 建造者模式通過將複雜對象逐一拆解成單一的簡單對象,然後通過對簡單對象的創建,最終構建出一個複雜對象。 介紹 在現實世界中,和建造者模式最為相似的是我們到餐廳點餐的流程。在點餐的過程中,我們是不用關係點餐的先後順序,等我們點完後,點餐系統會自動將我們的所有餐品列表和消費情況全部一次性羅列出來,並且最後 ...
  • 單例模式就是指單例類在一定的生命周期內只能有一個對象實例,單例類的創建必須是本身,並能給使用者提供自身。 介紹 在現實世界中,每個生命體都可以被看做是一個單例對象,唯一且具體,具有不可複製性。同樣的,在軟體開發領域中,有時我們需要保證客戶端在當前的客戶機上只能運行一個實例這個時候,我們就應該考慮使用 ...
  • 系統架構設計師-軟體水平考試高級-理論-架構風格。其中涉及架構風格,ABSD,軟體架構評估,軟體產品線,中間件技術,典型應用架構,Web架構設計等。 ...
  • 抽象工廠是基於簡單工廠發展而來的,通過抽象工廠,我們可以創建多種類型的工廠,並且依據具體業務需求而在具體工廠裡面進行任意拼裝組合。 介紹 在現實世界中,汽車製作行業有各種各樣的工廠,每個工廠都需要具有生產輪胎、汽車引擎等部件的能力,但是針對具體的工廠,每個部件的生產又各不相同,所有在軟體開發過程中, ...
  • 胡扯 因為先學習的treap,而splay與treap中有許多共性,所以會有很多地方不會講的很細緻。關於treap和平衡樹可以參考這篇博客 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...