python的中的字符串类型:byte string和unicode string
来源:互联网 发布:广东亿迅 知乎 编辑:程序博客网 时间:2024/06/05 11:16
unicode和utf8的层级关系:
unicode:
狭义:信源编码,将字符数字化,即一个字符对应一个十进制数字,是ascii表的一个扩展。
广义:信源编码+信道编码,用unicode作为信源编码,用ucs-2作为存储和传输的信道编码,即在内存或者硬盘中,一个unicode字符占两个字节,16位。
utf8:
狭义:信道编码,用于字符的存储和传输,减小存储空间,减小传输流量。utf8是可变长编码方式,存英文是一个字节,存中文是三个字节。
广义:信源编码+信道编码,以unicode作为信源编码,以utf8作为信道编码。
python中的byte string和unicode string两种字符的区别:
unicode string:
以unicode作为编码表(信源编码),仅仅代表一个字符,未存储,因此未被编码。从函数中返回的字符都是unicode string,因为未存储,所以未被编码。
byte string(即python中的str类型):
以unicode作为编码表(信源编码),以utf8作为信道编码,一个中文字符对应三个字节。从文件读取的字符,因为已经存在磁盘中,因此都是byte string。python文件中初始化的字符串,也是byte string,因为.py文件本身就是存在硬盘中的
实验:
>>> a = '中'>>> a '\xe4\xb8\xad'>>> a = u'中'>>> a u'\u4e2d'
“中”在unicode里面对应的数字是20013,当a =‘中’,字符是byte string,以utf8编码,占三个字节。当a=u‘中’,未以任何形式编码,用一个字符表示。
结论:byte string和unicode string的表现形式与编码没有任何关系,都是以16进制来表示。
utf8编码方式介绍:
作者:uuspider
链接:https://www.zhihu.com/question/23374078/answer/65352538
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
举一个例子:It’s 知乎日报你看到的unicode字符集是这样的编码表:
I 0049t 0074' 0027s 0073 0020知 77e5乎 4e4e日 65e5报 62a5
每一个字符对应一个十六进制数字。计算机只懂二进制,因此,严格按照unicode的方式(UCS-2),应该这样存储:
I 00000000 01001001t 00000000 01110100' 00000000 00100111s 00000000 01110011 00000000 00100000知 01110111 11100101乎 01001110 01001110日 01100101 11100101报 01100010 10100101
这个字符串总共占用了18个字节,但是对比中英文的二进制码,可以发现,英文前9位都是0!浪费啊,浪费硬盘,浪费流量。怎么办?UTF。UTF-8是这样做的:1. 单字节的字符,字节的第一位设为0,对于英语文本,UTF-8码只占用一个字节,和ASCII码完全相同;2. n个字节的字符(n>1),第一个字节的前n位设为1,第n+1位设为0,后面字节的前两位都设为10,这n个字节的其余空位填充该字符unicode码,高位用0补足。这样就形成了如下的UTF-8标记位:
0xxxxxx
x110xxxxx 10xxxxxx
1110xxxx 10xxxxxx 10xxxxxx
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx… …
于是,”It’s 知乎日报“就变成了:
I 01001001t 01110100' 00100111s 01110011 00100000知 11100111 10011111 10100101乎 11100100 10111001 10001110日 11100110 10010111 10100101报 11100110 10001010 10100101
和上边的方案对比一下,英文短了,每个中文字符却多用了一个字节。但是整个字符串只用了17个字节,比上边的18个短了一点点。下边是课后作业:请将”It’s 知乎日报“的GB2312和GBK码(自行google)转成二进制。不考虑历史因素,从技术角度解释为什么在unicode和UTF-8大行其道的同时,GB2312和GBK仍在广泛使用。剧透:一切都是为了节省你的硬盘和流量。
参考:
http://blog.csdn.net/use_my_heart/article/details/51303317
https://www.zhihu.com/question/23374078
- python的中的字符串类型:byte string和unicode string
- python string unicode字符串
- byte[]和String类型之间的转换
- Python里的string 和 unicode (一)
- Python里的string 和 unicode (二)
- Python里的string 和 unicode (三)
- Python里的string 和 unicode (一)
- Python里的string 和 unicode (二)
- Python里的string 和 unicode
- Python里的string 和 unicode --2
- Python里的string 和 unicode (一)
- Python里的string 和 unicode (二)
- Python 中string和unicode的区别
- python中string和Unicode的区别
- Python里的string 和 unicode
- python中string和Unicode的区别
- python byte和string转换
- Java中String类型和Byte类型的互换问题
- 企业数字化转型带来的四大机遇
- tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None) 除去name参数用以指定该操作的nam
- RobotFramework二次开发——文件解析
- PX4 Software-In-The-Loop(SITL) Simulation on Gazebo
- Vue 事件修饰符.self的用法
- python的中的字符串类型:byte string和unicode string
- IntelliJ IDEA(2017)安装和破解
- Web前端初学者_需用了解的7大HTML知识点
- 洛谷 [p1439] 最长公共子序列 (NlogN)
- Nutch二次开发介绍
- ios Error Domain=NSURLErrorDomain Code=-999 "已取消"
- 【JavaScript】兼容IE6的JS模板化
- Elasticsearch集群冷热分离-实际操作
- JAVA_经典编程小程序_星号金字塔