关于python中的字符串编码
来源:互联网 发布:淘宝加盟骗局美女 编辑:程序博客网 时间:2024/06/06 06:37
本文主要参考了这篇文章,该文章主要针对python编程中常见到的字符串编码问题进行比较详细的介绍,以及 python2 和 python3 中的区别。
字符编码
因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特(bit)作为一个字节(byte),所以,一个字节能表示的最大的整数就是255(二进制 11111111 = 十进制 255),如果要表示更大的整数,就必须用更多的字节。比如两个字节可以表示的最大整数是65535,4个字节可以表示的最大整数是4294967295。
由于计算机是美国人发明的,因此,最早只有127个字母被编码到计算机里,也就是大小写英文字母、数字和一些符号,这个编码表被称为 ASCII
编码,比如大写字母A的编码是65,小写字母z的编码是122。
但是要处理中文显然一个字节是不够的,至少需要两个字节,而且还不能和 ASCII
编码冲突,所以,中国制定了 GB2312
编码,用来把中文编进去。
你可以想得到的是,全世界有上百种语言,日本把日文编到 Shift_JIS
里,韩国把韩文编到 Euc-kr
里,各国有各国的标准,就会不可避免地出现冲突,结果就是,在多语言混合的文本中,显示出来会有乱码。
因此,Unicode应运而生。Unicode把所有语言都统一到一套编码里,这样就不会再有乱码问题了。
Unicode标准也在不断发展,但最常用的是用两个字节表示一个字符(如果要用到非常偏僻的字符,就需要4个字节)。现代操作系统和大多数编程语言都直接支持Unicode。
现在,捋一捋ASCII编码和Unicode编码的区别:ASCII编码是1个字节,而Unicode编码通常是2个字节。
字母A用ASCII编码是十进制的65,二进制的01000001;
字符0用ASCII编码是十进制的48,二进制的00110000,注意字符’0’和整数0是不同的;
汉字中已经超出了ASCII编码的范围,用Unicode编码是十进制的20013,二进制的01001110 00101101。
你可以猜测,如果把ASCII编码的A用Unicode编码,只需要在前面补0就可以,因此,A的Unicode编码是00000000 01000001。
新的问题又出现了:如果统一成Unicode编码,乱码问题从此消失了。但是,如果你写的文本基本上全部是英文的话,用Unicode编码比ASCII编码需要多一倍的存储空间,在存储和传输上就十分不划算。
所以,本着节约的精神,又出现了把Unicode编码转化为“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3个字节,只有很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;注意UTF-8并不是唯一对Unicode进行编码的编码方式。
从上面的表格还可以发现,UTF-8编码有一个额外的好处,就是ASCII编码实际上可以被看成是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,我们就可以总结一下现在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需要传输的时候,就转换为UTF-8编码。
python中的字符串
搞清楚了令人头疼的字符编码问题后,我们再来研究Python对Unicode的支持。
因为Python的诞生比Unicode标准发布的时间还要早,所以最早的Python只支持ASCII编码,普通的字符串’ABC’在Python内部都是ASCII编码的。Python提供了 ord()
和 chr()
函数,可以把字母和对应的数字相互转换:
1234
'A') ord(6565) chr('A'
Python在后来添加了对Unicode的支持,以Unicode表示的字符串用 u'...'
表示,比如:
1234
print u'中文'中文u'中'u'\u4e2d'
写 u'中'
和 u'\u4e2d'
是一样的,\u后面是十六进制的Unicode码。因此,u'A'
和u'\u0041'
也是一样的。
两种字符串如何相互转换?字符串’xxx’虽然是ASCII编码,但也可以看成是UTF-8编码,而u’xxx’则只能是Unicode编码。
把 u'xxx'
转换为UTF-8编码的 'xxx'
用 encode('utf-8')
方法:
1234
u'ABC'.encode('utf-8')'ABC'u'中文'.encode('utf-8')'\xe4\xb8\xad\xe6\x96\x87'
英文字符转换后表示的UTF-8的值和Unicode值相等(但占用的存储空间不同),而中文字符转换后1个Unicode字符将变为3个UTF-8字符,上面的\xe4
就是其中一个字节,因为它的值是228,没有对应的字母可以显示,所以以十六进制显示字节的数值。len()
函数可以返回字符串的长度:
12345678
u'ABC') len(3'ABC') len(3u'中文') len(2'\xe4\xb8\xad\xe6\x96\x87') len(6
反过来,把UTF-8编码表示的字符串'xxx'
转换为Unicode字符串u'xxx'
用decode('utf-8')
方法:
123456
'abc'.decode('utf-8')u'abc''\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')u'\u4e2d\u6587'print '\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')中文
两者的转换方式总结来说就是从 Unicode 到 UTF-8 通过 encode()
方法, 而从 UTF-8 到 Unicode 通过 decode()
方法, 而且UTF-8并不是唯一的编码方式
在编写 python 程序时,如果代码中有中文,那么就需要在代码的开始地方加上 # -*- coding: utf-8 -*-
, 这是为了是为了告诉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。而且这样声明了UTF-8编码并不意味着.py
文件就是UTF-8编码的,必须并且要确保编辑器在保存文件的时候使用 UTF-8 编码方式。
最后需要注意的是,由于历史遗留问题,python 2.x里的字符串用 'xxx'
表示 str
,Unicode字符串用 u'xxx'
表示unicode,而在3.x中,所有字符串都被视为unicode,因此,写 u'xxx'
和 'xxx'
是完全一致的,而在2.x中以 'xxx'
表示的str就必须写成 b'xxx'
,以此表示“二进制字符串”.
- 关于python中的字符串编码
- Python 中的字符串编码
- Python 中的字符串编码
- 关于python中的编码问题
- Python关于字符串编码,个人认识
- 关于python字符串编码问题的理解
- Python中的字符串与字符编码:编码和转换问题
- Python中的字符串与字符编码:编码和转换问题
- 关于python中的unicode字符串的使用
- 关于python中的unicode字符串的使用
- 关于Python去掉字符串中的空格
- python基础(二)关于编码和字符串操作etc
- Python字符串编码+MySQLdb中的中文字符问题
- 使用自己的Python函数处理Protobuf中的字符串编码
- Python字符串编码
- python字符串编码常见问题
- python字符串编码问题
- python处理字符串编码
- Linux driver 遍历指定文件夹查找文件
- 华为软件开发云又出新服务:开源镜像站正式上线,致敬开源,使能开发者!
- Fresco错误集锦
- 如下述
- Java同步工具类总结
- 关于python中的字符串编码
- Oracle-表连接类型和表连接方式
- linux 设置读写执行权限
- Avro:入门例子
- JS轮播图
- 关于MySQL的TPS和QPS
- python 计算文件的md5值实例
- 抽象代数(近世代数)——学习资料(更新...........)
- MyEclipse 设置代码自动提示