python学习笔记（4）：字符串及编码问题

在计算机语言中，通常只认识英文字母和数字，但不同国家需要对自己的语言进行设置，使得计算机也能够认识，这个时候，Unicode也就应运而生。Unicode（统一码、万国码、单一码）是计算机科学领域里的一项业界标准,包括字符集、编码方案等。Unicode 是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。1990年开始研发，1994年正式公布。

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。

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。

python对Unicode的支持
因为python比Unicode发布的更早，在早期的python中只支持ASCII编码，python提供了函数，将字母和对应的ASCII码相互对应和转换。

python在后续发布的版本中加入了对Unicode的支持（毕竟人家这么火，不支持不以平民愤啊！），以Unicode表示的字符用 u’…’表示，如下例：

把 u’xxx’转化成UTF-8编码的’xxx’，可以使用encode(‘utf-8’):

由于这块平时涉及的不多，所以不再赘述，但python的code通常也是一个文件，当你在code中要键入中文的时候，就必须保存为utf-8的格式，通常在文件的开头写上如下两行：

#!/usr/bin/env python# -*- coding: utf-8 -*-

第一行识告诉linux或者OS X系统，这是一个python的可执行程序，windows用户请自行忽略，第二行是告诉python解释器，按照utf-8的标准读取code。

格式化
最后一个常见的问题是如何输出格式化的字符串。我们经常会输出类似’亲爱的xxx你好！你xx月的话费是xx，余额是xx’之类的字符串，而xxx的内容都是根据变量变化的，所以，需要一种简便的格式化字符串的方式。

在python中，采用的格式化方法基本和c是一致的，用％实现，如下列：

%运算符是格式化字符串的，常见的占位符如下：
％d 整数
％f 浮点数
％s 字符串
％x 十六进制整数
其中，格式化整数和浮点数还可以指定是否补0和整数于小数的位数，如上例。