谈谈python2,3中的str、unicode
来源:互联网 发布:运动品牌折扣软件 编辑:程序博客网 时间:2024/04/29 16:02
前言
本文首先对Unicode与UTF-8的区别做一个解释,如果已了解,可跳过该部分。然后会分别对python2,3中的str、unicode进行讲解。有问题的地方,欢迎交流。
Unicode与UTF-8
- Unicode 是「字符集」
UTF-8 是「编码规则」
字符集:为每一个「字符」分配一个唯一的 ID(学名为码位 / 码点 / Code Point)
- 编码规则:将「码位」转换为字节序列的规则(编码/解码 可以理解为 加密/解密 的过程)
广义的 Unicode 是一个标准,定义了一个字符集以及一系列的编码规则,即 Unicode 字符集和 UTF-8、UTF-16、UTF-32 等等编码……
Unicode 字符集为每一个字符分配一个码位,例如「知」的码位是 30693,记作 U+77E5(30693 的十六进制为 0x77E5)。
U+ 0000 ~ U+ 007F: 0XXXXXXXU+ 0080 ~ U+ 07FF: 110XXXXX 10XXXXXXU+ 0800 ~ U+ FFFF: 1110XXXX 10XXXXXX 10XXXXXXU+10000 ~ U+1FFFF: 11110XXX 10XXXXXX 10XXXXXX 10XXXXXX
根据上表中的编码规则,之前的「知」字的码位 U+77E5 属于第三行的范围:
7 7 E 5 0111 0111 1110 0101 二进制的 77E5-------------------------- 0111 011111 100101 二进制的 77E51110XXXX 10XXXXXX 10XXXXXX 模版(上表第三行)11100111 10011111 10100101 代入模版 E 7 9 F A 5
这就是将 U+77E5 按照 UTF-8 编码为字节序列 E79FA5 的过程。
python2中的str和unicode
str与unicode
Python2中:
str格式本质含义是“某种编码格式”,绝大多数情况下,被引号框起来的字符串,就是str,它本身存储的就是字节码(bytes)。
>>> s = "我爱我的祖国">>> s'\xce\xd2\xb0\xae\xce\xd2\xb5\xc4\xd7\xe6\xb9\xfa'
那么这个字节码是什么格式的。
如果这段代码是在解释器上输入的,那么这个s的格式就是解释器的编码格式,对于windows的cmd而言,就是gbk。
如果将段代码是保存后才执行的,比如存储为utf-8,那么在解释器载入这段程序的时候,就会将s初始化为utf-8编码。
下面是我在cmd中的尝试
>>> s = "我爱我的祖国">>> print chardet.detect(s){'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'}
在我的测试过程中,有些中文会被识别成别的编码,不是GB2312,如下识别成俄语编码,这个可能跟windows有关。
>>> s = "加油">>> print chardet.detect(s){'confidence': 0.7679697235616183, 'language': 'Russian', 'encoding': 'KOI8-R'}>>> s = "中国">>> print chardet.detect(s){'confidence': 0.7679697235616183, 'language': 'Russian', 'encoding': 'IBM855'}
unicode类型的含义就是“用unicode编码的字符串”。unicode()是单独的,不像str()是byte类型。
>>> s = u"我爱我的祖国">>> su'\u6211\u7231\u6211\u7684\u7956\u56fd'>>> print type(s)<type 'unicode'>>>> print chardet.detect(s)TypeError: Expected object of type bytes or bytearray, got: <type 'unicode'>
引号前面的u表示这里创建的是一个Unicode字符串
Python在进入2.0版后正式定义了了Unicode字符串这个奇怪的特性,目的就是为了处理太多种语言编码的文本。从那时开始,Python语言中的字符串类型就分为两种:一种是传统的Python字符串(各种花样编码),另一种则是新出现的Unicode。
encode与decode
下面的测试,都将在代码存储为utf-8后,再由解释器执行,也就是说str将初始化为utf-8编码
在python2中的解码(decode)、编码(encode)操作如下:
import chardets = "我爱我的祖国"print type(s)print chardet.detect(s)u = s.decode("UTF-8")print type(u)s = u.encode("gbk")print type(s)print chardet.detect(s)'''<type 'str'>{'confidence': 0.99, 'language': '', 'encoding': 'utf-8'}<type 'unicode'><type 'str'>{'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'}'''
从输出可看出,s为utf-8编码的字符串,用decode()将s解码为unicode对象。
对解码后的unicode对象进行编码,用encode()将s编码为utf-8对象。
那么,再看下,下面这个情况,s作为字符串,不仅有decode(),还有encode()。
s = "我爱我的祖国"print hasattr(s, "decode")print hasattr(s, "encode")'''TrueTrue'''
decode()我们是已经使用过了,将某种编码的字符串解码成unicode对象。那么是否能直接将字符串改成另外一种编码呢?这就是str的encode(),为我们省去了decode()的过程。但这里也有一个坑!
s = "我爱我的祖国"s = s.encode("gbk")'''UnicodeDecodeError: 'ascii' codec can't decode byte 0xce in position 0: ordinal not in range(128)'''
尝试将utf-8的str直接变成gbk编码,报错了,报错信息翻译如下:
‘ascii’编解码器无法解码位置0的字节0xce:序号不在范围(128)
可以看出,程序尝试用ascii码对s进行解码,之所以会使用ascii,这与系统的默认编码有关:
import sysprint sys.getdefaultencoding()'''ascii'''
那么,我们将sys的默认编码设置成utf-8,就可以正常运行了
import sysreload(sys)sys.setdefaultencoding('utf-8')s = "我爱我的祖国"print chardet.detect(s)s = s.encode("gbk")print chardet.detect(s)'''{'confidence': 0.99, 'language': '', 'encoding': 'utf-8'}{'confidence': 0.99, 'language': 'Chinese', 'encoding': 'GB2312'}'''
其实s.encode(“gbk”)就相当于
s.decode(defaultencoding),encode('utf-8')
python3中的str和unicode
str格式的定义变更为”Unicode类型的字符串“,也就是说在默认情况下,被引号框起来的字符串,是使用Unicode编码的。也就是说unicode类型在python3中没有了,python3中的str就相当于python2中的unicode。
在python3里,str将不再是python2中的字节码,不能作为chardet.detect的参数。
import chardets = "我爱我的祖国"print (type(s))print (chardet.detect(s))'''<class 'str'>TypeError: Expected object of type bytes or bytearray, got: <class 'str'>'''
str也没有了解码方法decode()
s = "我爱我的祖国"print (hasattr(s, "decode"))print (hasattr(s, "encode"))'''FalseTrue'''
python3中源码文件默认使用utf-8编码,使得以下代码是合法的
>>> 中国 = 'china' >>>print(中国) china
下面这个 不知道该怎么解释,不是以unicode编码的形式输出了
>>> s = "我爱我的祖国">>> s'我爱我的祖国'
而“不是Unicode的某种编码格式”,比如UTF-8、GBK,这些编码方式被定义为了bytes,这里的bytes和python2中的str有很多相似的地方。
参考
- 知乎(Unicode 和 UTF-8 有何区别?)
- 知乎(Python2和3中关于str和unicode以及UTF-8的更改到底是什么意思?)
- Python中的str与unicode处理方法
- 菜鸟教程(字符串)
- 菜鸟教程(Python2.x与3.x版本区别)
- 谈谈python2,3中的str、unicode
- python2 unicode str
- python2 unicode str
- python2.7:str unicode 详解
- Python2中unicode转str
- 关于python2中的unicode和str以及python3中的str和bytes
- python2 字符串unicode str编码解码问题
- Python3与Python2的坑之unicode/str
- python2.7 中unicode、str的编解码关系
- python2.7 中unicode、str的编解码关系
- python中的str与unicode处理方法
- Python 中的 str 与 unicode 编码处理
- Python中的str与unicode处理方法
- Python中的str与unicode处理方法
- Python中的str与unicode处理方法
- Python中的str与unicode处理方法
- Python中的str与unicode处理方法
- python中的unicode和str编码
- 51nod 1647 小Z的trie 广义后缀自动机+倍增
- CT重建学习笔记(二)
- 加油
- PHP环境搭建
- 更新微信公众号的方法
- 谈谈python2,3中的str、unicode
- mycat web监控安装
- Android客制化------过滤设置应用列表中某个应用
- 中间件的地图发布数据源详解
- 构建爬虫代理池
- JS中的冒泡事件
- Spring Quartz 定时器源码和配置文件
- leetcode 307. Range Sum Query
- 使用WPF创建SignalR服务端