廖雪峰python3.6教程笔记3-Python基础之字符串与编码

一 背景：

字符串也是一种数据类型，但是，字符串比较特殊的是还有一个编码问题。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。

ASCII编码：

最早只有127个字符被编码到计算机里，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

缺点：

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。

||

||

GB2312编码：

所以，中国制定了GB2312编码，用来把中文编进去。日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里

缺点： 在多语言混合的文本中，显示出来会有乱码

||

||

Unicode编码：

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。

缺点： 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。新的问题又出现了，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。

||

||

UTF-8编码：

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。

注意： 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。

二 字符串编码：

在最新的Python 3版本中，字符串是以Unicode编码的

对于单个字符的编码，Python提供了ord()函数获取字符的整数表示，chr()函数把编码转换为对应的字符：

例1:

>>>ord('a')
97
>>> ord('中')
20013
>>>chr(97)
'a'
>>>chr(20013)
'中'

如果知道字符的整数编码，还可以用十六进制这么写str：

例2

>>>'\u4e2d\u6587'
'中文'

Python的字符串类型是str, Python对bytes类型的数据用带b前缀的单引号或双引号表示:

例3

>>> x =b'ABC'
>>>type(x)
<class'bytes'>
>>> x ='ABC'
>>>type(x)
<class 'str'>：

以Unicode表示的str通过encode()方法可以编码为指定的bytes，例如：

例4

>>>'ABC'.encode('ascii')
b'ABC'
>>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中文'.encode('ascii')
Traceback (mostrecent call last):
  File "<stdin>", line 1, in<module>
UnicodeEncodeError:'ascii' codec can't encode characters in position 0-1: ordinal not inrange(128)

如果我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。要把bytes变为str，就需要用decode()方法：如果bytes中只有一小部分无效的字节，可以传入errors='ignore'忽略错误的字节

例5

>>>b'ABC'.decode('ascii')
'ABC'
>>>b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'
>>>b'\xe4\xb8\xad\xff'.decode('utf-8')
Traceback (mostrecent call last):
  File "<stdin>", line 1, in<module>
UnicodeDecodeError:'utf-8' codec can't decode byte 0xff in position 3: invalid start byte
>>>b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore')
'中'

要计算str包含多少个字符，可以用len()函数：

>>>len('ABC')
3
>>> len('中文')
2

len()函数计算的是str的字符数，如果换成bytes，len()函数就计算字节数：

例6

>>>len(b'ABC')
3
>>>len(b'\xe4\xb8\xad\xe6\x96\x87')
6
>>> len('中文'.encode('utf-8'))
6

在操作字符串时，我们经常遇到str和bytes的互相转换。为了避免乱码问题，应当始终坚持使用UTF-8编码对str和bytes进行转换。

由于Python源代码也是一个文本文件，所以，当你的源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上这两行：

#!/usr/bin/envpython3

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

第一行注释是为了告诉Linux/OS X系统，这是一个Python可执行程序，Windows系统会忽略这个注释；

第二行注释是为了告诉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。

三 输出格式化的字符串：

%运算符就是用来格式化字符串的。在字符串内部，%s表示用字符串替换，%d表示用整数替换，多个 占位符，后面变量或者值，顺序要对应好，用, 号隔开。

如果你不太确定应该用什么，%s永远起作用，它会把任何数据类型转换为字符串：

占位符	替换内容
%s	字符串
%d	整数
%f	浮点数（%.2f小数点后两位）
%x	十六进制整数

有些时候，字符串里面的%是一个普通字符怎么办？这个时候就需要转义，用%%来表示一个%：

例7

>>> s1 =72
>>> s2 =85
>>> r =(85/72-1)*100
>>>print('小明第一次成绩是: %s, 第二次成绩是: %s' % (s1,s2))
小明第一次成绩是: 72, 第二次成绩是: 85
>>>print('小明成绩提升:%.1f%%' % r)
小明成绩提升:18.1%

使用字符串的format()方法，它会用传入的参数依次替换字符串内的占位符{0}、{1}……，不过这种方式写起来比%要麻烦得多：

例8

>>>print('Hello, {0}, 成绩提升了 {1:.1f}%'.format('小明', 17.125))
Hello, 小明,成绩提升了 17.1%