Python字符串与编码

Python字符串与编码

计算机对文本进行编码的方式

ASCII码

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。

UNICODE码

由于计算的的发展与普及，越来越多的国家开始使用计算机，然而每个国家的文字基本都不相同，要通过计算机进行处理的话要进行不同的编码，显然一个字节的ASCII码是不够的。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。
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。
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ASCII码是01000001，Unicode编码是00000000 01000001。

UTF-8码

在统一使用UNICODE编码之后，所有的语言都不冲突了，也没有乱码了，但是又出现了另一个问题：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。所以此时UTF-8编码又应运而生：将UNICODE编码转化为可变长度的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：

字符	ASCII	Unicode	UTF-8
A	01000001	00000000 01000001	01000001
中	x	01001110 00101101	11100100 10111000 10101101

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。例如在用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件。

Python的字符串与编码

由于Python的诞生早于UNICODE编码的诞生时间，所以最早python仅支持ASCII码，系统中默认的’ABC’也都是ASCII编码，python后来添加了对于UNICODE编码的支持，用u'...'表示，比如

>>> print u'我是谁？'
我是谁？
>>> u'我是谁？'
u'\u6211\u662f\u8c01\uff1f'

那么ASCII码和UNICODE编码之间如何转换呢？字符串’xxx’虽然是ASCII码，但也可以看作是UTF-8码，但是u’xxx’只能是UNICODE码。将u’xxx’转化为UTF-8的’xxx’使用.encode(‘utf-8’)函数：

>>> u'ABC'.encode('utf-8')
'ABC'
>>> u'中文'.encode('utf-8')
'\xe4\xb8\xad\xe6\x96\x87'

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：

>>> 'ABC'.decode('utf-8')
u'ABC

Python的格式化输出

在python中，格式化输出采用和C语言一样的方式，不过其变量要采用%符号来作为前缀。

>>> 'Hello, %s' % 'world'
'Hello, world'
>>> 'Hi, %s, you have $%d.' % ('Michael', 1000000)
'Hi, Michael, you have $1000000.'

对于UNICODE编码的字符串，其用法也一样，只是要确保替换的字符串也是UNICODE编码的字符串。

>>> u'Hi, %s' % u'Michael'
u'Hi, Michael'

2016年10月3日于哈尔滨