【python3自学笔记3】—字符串和编码

时间：2016.10.19

摘录自：廖雪峰python3.5教程

内容：字符串和编码

目录：

一、字符编码的发展

二、Python的字符串

正文：

一、字符编码的发展

美国人在发明计算机编码时只将大小写英文字母、数字和一些符号共127个字母编码到计算机中，称为ASCAII编码。最早的计算机以8个比特为一个字节，所以一个字节能表示最大的整数是255。显然，在处理汉字的时候一个字节是远远不够的。为了对汉字进行编码，并且汉字编码还不与ACSII码重复，中国制定了GB2312编码。不单是中国，世界上其他国家都制定了自己的编码标准，就不可避免的出现重复，导致在多语言混合的文本中出现乱码。为了解决这个问题国际组织制定了Unicode把所有的语言都统一到一套编码中，俗称统一码、万国码。

ASCAII码和Unicode码之间的区别是：ASCII码只占一个字节，Unicode通常为两个字节，生僻字可能需要4个字节。在ASCAII码字符前补0就能够转换为同样字符含义的Unicode码。

如果都使用英文进行编码时，Unicode编码比ASCII编码多一倍的存储空间，所以出现了将Unicode编码转换为可变长编码的UTF-8编码。UTF-8将字符编码为1-6个字节，常用的英文字母被编码成1个字节，汉字通常为3个字节，很生僻的字符被编码为4-6个字节，所以对于纯英文字符文本，UTF-8编码节省了大量的空间。

ASCII编码实际上成为了UTF-8编码的一部分，因此，大量只支持ASCII编码的软件可以在UTF-8编码下继续工作。

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，当需要保持到硬盘或者需要传输的时候，就转换为UTF-8编码。用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存中，编辑完成保存的时候再把Unicode转换为UTF-8保存到文件。

二、Python的字符串

在Python3中，字符串以Unicode编码，也就是说Python的字符串支持多语言。

ord（）函数获取单个字符的整数表示，ord（‘A’）回车 65

chr（）函数将整数转换为对应的字符，chr（‘66’） 回车 ‘B’

若知道某个字符的16进制整数，可以通过'\uXXXX'表示该字符。例如'\u0041' 回车 ‘A’

Python中str为Unicode编码，如需在网络上传输或者保存到磁盘上，就需要把str转换成以字节为单位的bytes。

bytes类型的数据用b前缀的单引号或者双引号表示，若x = b‘ABC’

以Unicode表示的str可以通过encode（）转换为其他编码，‘ABC’.encode（‘ascii’）回车 b‘ABC’

要从网络或者磁盘上读取字节流就需要将bytes通过decode（）转变成str，b‘ABC’.decode（‘ascii’）回车 ‘ABC’

计算字符串含有多少字符，len（‘ABC’）回车 3；len（‘中文’）回车 2

在操作字符串时，为了避免乱码，应当始终坚持使用UTF-8编码对str和bytes进行转换。

在保存源代码是 ，需要指定保存为UTF-8编码。注：确保文本编辑器正在使用UTF-8 withoutBOM编码。除此之外，当Python解释器读取源代码时，为了让它按UTF-8编码，通常在文件开头写上一下两行：

#!/usr/bin/env python 3

# -*- coding: utf-8 -*-

第一行注释为了告诉Linux/OS X系统，这是一个Python程序，Windows系统会忽略这个注释。

第二行注释为了告诉Python解释器，按照UTF-8编码读取源代码。

格式化字符串：字符串中间的一部分内容根据变量变化。使用方法：用占位符%X作为变量加入到字符串中，在字符串后面用%（变量）。常见的占位符有%d整数%f浮点数%s字符串%x十六进制整数

>>>'hello,%s'%chen!"

格式化整数和浮点数还可以指定显示位数、是否补0和整数和小数的位数。

如果你不太确定变量的类型，可以用%s表示，它会把任何类型的数据转换为字符串。

当%只是一个普通的百分号是需要用%%表示。