python渐进---字符串

原载于https://mp.weixin.qq.com/s/8cdvlSUsIJn94TLNOkHclg

字符串是常用的一种数据类型。在python里面，可以直接处理的字符类型有string和unicode。

string类型存储的是单字节的字符流，string类型在处理字符串的时候是单个字节单个字节进行处理的，因此string类型可以表示的编码只有ascii编码，也就是我们常见的字母和数字、符号等字符。string类型在存储utf8、gbk，gb2312等多字节的编码的时候，是按照字节流的方式来存储的。string类型并不知道几个字节表示一个字符，也不知道从哪个位置开始解析一个字符。

unicode存储的是双字节甚至多字节的unicode编码，unicode类型在处理字符串的时候取双个字节进行处理，现在unicode扩容有些字符甚至取四个字节进行处理，因此unicode类型可以表示世界上所有的字符。

在实际应用当中，string类型可以用来存储utf8、gbk等编码的字节流，而unicode类型则是用来作为处理非英文字符的中间类型暂时存在。在处理中文字符的时候，如果能够严格养成习惯，先把字节流转化为unicode进行处理，处理完毕之后再转化为想要的编码字节流，那么就不会产生乱码等情况。

不过现在很多人都不会按照这个步骤来做，这样也不是不能做，把python的编译环境以及python文件的保存编码配合好，也能偷个懒。不过河边走多了也会湿鞋，如果不是非常确定自己所处理的字符编码是哪一种，就必须得面对在同一个python代码中处理多种字符编码的复杂状况。

像上交所的网页，就是utf8；深交所的网页，全是gbk；而新浪的新闻和研报等等，多数是gb2312。很多人以为设置默认编码为utf8就万事大吉，如此嫌麻烦而造成的麻烦是会以指数级增长的。中文网站的编码环境远比其它语言来的复杂，既有utf8等国际通用的标准，也有gb18030等国家标准，中间一点没有衔接好，读出的就是乱码了。

字符串的基本操作其实和tuple差不多，字符串类型实际上是一个字节序列，是一个不可变的变量。字符串最重头的，大概就是中文环境下复杂的编码问题了。

下面还是一步一步探讨一下字符串的常用知识点吧。

 

7.1 string的基本操作

要生成string字符串，可以直接用''，或者""把字符串括起来就可以。

>>> s='abcde'

>>> s

'abcde'

>>>s="abcde"

>>> s

'abcde'

这时会产生一个问题，如果''括起来的字符串包含了'该怎么办。这时需要引入一个\转义字符，当碰到了\，就知道后面的那个字符有别的意义。在这里\可以对'进行转义，这样就不会被当作字符串结尾。

>>> s='abc\'de'>>> print(s)abc'de

\转义字符后面跟不同的字符，会有特殊的含义。比如\t是tab效果，\r\n是回车换行的效果。

>>> s='abc\ted'

>>> print(s)

abc  ed

>>> s='abc\r\nde'

>>> print(s)

abc

de

如果想要取消所有的转义，使用r操作，那么整个字符串就是字符串的字面意思。

>>> s=r'abc\'de'

>>> print(s)

abc\'de

使用'''可以定义一个多行的字符串。

>>> s='''

... 1.xxx

... 2.###

... 3.***

... '''

>>> print(s)

1.xxx

2.###

3.***

>>> s

'\n1.xxx\n2.###\n3.***\n'

上面的代码中，把字符串打印出来可以发现，'''操作往每行数据中加入\n换行符。

上面提到string是一个字符序列，因此可以使用序号和切片操作来获取单个字符或者子字符串。

>>> s='abcde'

>>> s[1]

'b'

>>> s[:3]

'abc'

上面也提到了string是一个不可变变量，因此不能对string进行修改。

>>> s[0]='g'

Traceback (most recent calllast):

 File "<stdin>", line 1, in<module>

TypeError: 'str' object doesnot support item assignment

两个字符串可以直接连接生成一个新的字符串，就像tuple一样。

>>> s1='abc'

>>> s2='de'

>>> s1+s2

'abcde'

使用str()函数可以把其他类型转化成字符串类型。

>>> str(11)

'11'

使用len()函数可以获取字符串的长度

>>> s='abcde'

>>> len(s)

5

 

7.2 unicode的基本操作

使用u操作，可以生成unicode字符串。

>>> s=u'中文'

>>> s

u'\u4e2d\u6587'

如果不需要任何转义，则用ur操作，和string类型的r操作效果一致。

 

7.3 字符编码处理的简单介绍

在上面说到，string类型存储了不同编码的字节流，在处理的时候一般需要把它转化成unicode编码进行处理，然后再转化为想要的编码。把string类型存储的字节流变成unicode，需要用decode，而处理完了之后使用encode把unicide变成需要的编码。

比如说’中’字的gbk编码是d6d0，一个字需要两个字节来表示，一个是\xd6，一个是\xd0。\x的意思是16进制。

此时把这个字符串进行decode，参数是gbk。就会把它转化成中间编码unicode。而对这个unicode进行encode，参数是gbk，又会把它转化为gbk编码。

以下的代码片段就展示了一个string类型的字节流，通过decode变成unicode，一个unicode类型字符串，通过encode又变回一个gbk编码的string类型的字节流的过程。

>>> s='\xd6\xd0'

>>> s.decode('gbk')

u'\u4e2d'

>>>s1=s.decode('gbk')

>>> s1.encode('gbk')

'\xd6\xd0'

字符编码的问题还涉及到python编译环境的默认编码，python文件保存的字符编码，python所在操作系统的文件路径的字符编码。这些问题都会在后续章节中讲解。

 

7.4 string和unicode的常用方法

string和unicode有一些常用的方法，可以更好地处理字符串。比如说查找子串、判断是否数字、替换字符串、分隔字符串、连接字符串等。这些操作是经常用到的。

find()方法，可以在字符串里查找子串。如果能够找到，就返回在字符串中的序号；如果没有找到，就返回-1。

>>> s='abcda'

>>> s.find('b')

1

>>> s.find('g')

-1

>>> s.find('da')

3

>>> s=u'中文字符中的字符'

>>> s.find(u'符')

3

isdigit()可以用来判断字符串是不是全是数字。要注意的是，小数并非全数字。

>>> s='123'

>>> s.isdigit()

True

>>> s='1.23'

>>> s.isdigit()

False

replace()可以把某些字符串替换掉。

>>>s='abcdedfabcdef'

>>>s.replace('ab','12')

'12cdedf12cdef'

split()可以按照分隔符把字符串分开。

>>>s='abcdedfabcdef'

>>> s.split('ab')

['', 'cdedf', 'cdef']

join()可以把字符串列表里面的所有字符串连接起来。

>>>stringlist=['a','b','c']

>>>''.join(stringlist)

'abc'

本来想把格式化也写完了，不知道为什么浏览器崩溃了多次。算了下次吧。本文完。