Python-字符编码&字符串&格式化

发表于 更新于 分类于 阅读次数： Valine：
本文字数： 5.7k 阅读时长 ≈ 5 分钟

字符编码、字符串(๑°⌓︎°๑)



Python-字符编码、字符串、格式化


一. 字符编码

  1. 我们已经讲过了，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。

  2. 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。最早的计算机在设计时采用8个比特（**8 bit）作为一个字节（1 byte**）。

    1. 所以，**一个字节能表示的最大的整数就是255**（二进制11111111=十进制255）；
    2. 如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是65535，**4个字节可以表示的最大整数是4294967295**。

  3. 由于计算机是美国人发明的，因此，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，比如大写字母A的编码是65，小写字母z的编码是122。

  4. 但是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，所以，中国制定了GB2312编码，用来把中文编进去。

  5. 你可以想得到的是，全世界有上百种语言，日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里，各国有各国的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。

  6. 因此，Unicode应运而生。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。

  7. 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。

  8. 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。

    1. 字母A用ASCII编码是十进制的65，二进制的01000001；
    2. 字符0用ASCII编码是十进制的48，二进制的00110000，注意字符’0’(‘零’)和整数0(零)是不同的；
    3. 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。
    4. 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(零)就可以，因此，A的Unicode编码是00000000 01000001。

  9. 新的问题又出现了：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。

  10. 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：

||||
:-:|:-:|:-:|:-:|
字符 |ASCII |Unicode |UTF-8
A |1000001 |00000000 01000001 |01000001
中 |x |01001110 00101101 |11100100 10111000 10101101

  1. 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。

总结一下现在计算机系统通用的字符编码工作方式：

  1. 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。
  2. 举例：用记事本编辑(计算机内存中)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(保存到文件硬盘或者需要传输)

PS：所以你看到很多网页的源码上会有类似<meta charset="UTF-8" />的信息，表示该网页正是用的UTF-8编码。



二. 代码编码和文件编码的设置

Python中默认的编码格式是 ASCII 格式，在没修改编码格式时无法正确打印汉字，所以在读取中文时会报错。
解决方法为只要在文件开头加入# -*- coding: UTF-8 -*- 或者 #coding=utf-8 就行了
（注意：#coding=utf-8 的 = 号两边不要空格。）

1
2
3
4
5
6
7
#!/usr/bin/python
# -*- coding: UTF-8 -*-
 
print "你好，世界";

运行结果：
你好，世界

注意：

  1. Python3.X 源码文件默认使用utf-8编码，所以可以正常解析中文，无需指定 UTF-8 编码。
  2. 注意：如果你使用编辑器，同时需要设置 py 文件存储的格式为 UTF-8


三. 字符与编码的转换

在最新的Python 3版本中，字符串是以Unicode编码的，也就是说，Python的字符串支持多语言（字符串可以写任意国家文字）。


3.1 字符与十进制编码的转换

使用函数：

  1. ord()：将字符转换成其对应的整数（十进制），注意不是字符串；
  2. chr()：将十进制整数转换成其对应的字符。
1
2
3
4
5
6
7
8
a=ord('A')
b=chr(120)
print(a)
print(b)

运行结果：
65 
x

3.2 不同编码之间的转换

由于Python的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节。如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes。

Python对bytes类型的数据用带b前缀的单引号或双引号表示：

1
2
3
4
5
x = b'ABC'
print(x)

运行结果：
b'ABC'

结论：要注意区分’ABC’和b’ABC’，前者是str，后者虽然内容显示得和前者一样，但bytes的每个字符都只占用一个字节。


不同编码之间的转换使用函数：

  1. decode()： 解码，将其他编码的字符串解码成unicode编码；
  2. encode()： 转码，将unicode编码的字符串转码成其他编码。
  3. decode(“utf-8”, errors=”ignore”) ： 忽略其中有异常的编码，仅显示有效的编码；
  4. decode(“utf-8”, errors=”replace”)： 替换其中异常的编码，这个相对来可能一眼就知道那些字符编码出问题了；
  5. len()： 计算的是str的字符数，如果换成bytes，len()函数就计算字节数。

资料查阅：[Python中的编码（encode）与解码（decode）程]


字符串在Python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码，即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。


举例1：以Unicode表示的str通过encode()方法可以编码为指定的bytes

1
2
3
4
5
6
7
8
9
10
11
print('ABC'.encode('utf-8'))
print('中文'.encode('utf-8'))
print('中文'.encode('ascii'))

运行结果：
b'ABC' 
b'\xe4\xb8\xad\xe6\x96\x87' 
Traceback (most recent call last): 
  File "C:\Users\Alvin\AppData\Local\Temp\learn_python_q5t__kzk_py\test_21.py", line 4, in <module> 
    print('中文'.encode('ascii')) 
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

第三个输出报错是因为含有中文的str无法用ASCII编码，因为中文编码的范围超过了ASCII编码的范围，Python会报错。


举例2：以Unicode表示的str通过encode()方法可以编码为指定的bytes 

1
2
3
4
5
6
7
8
9
10
11
print(b'ABC'.decode('ascii'))
print(b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8'))
print(b'\xe4\xb8\xad\xff'.decode('utf-8'))

运行结果：
ABC 
中文 
Traceback (most recent call last): 
  File "C:\Users\Alvin\AppData\Local\Temp\learn_python_q5t__kzk_py\test_22.py", line 4, in <module> 
    print(b'\xe4\xb8\xad\xff'.decode('utf-8')) 
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte

第三个输出报错是因为bytes中包含无法解码的字节，decode()方法会报错。


举例3：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

1
2
3
4
5
6
7
8
print(b'\xe4\xb8\xad'.decode('utf-8'))
print('中'.encode())
print(b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore'))

运行结果：
中 
b'\xe4\xb8\xad' 
中

举例4：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

1
2
3
4
5
6
7
8
9
10
print(len('ABC'))
print(len('中文'))
print(len(b'ABC'))
print(len('中文'.encode('utf-8')))

运行结果：
3 
2 
3 
6

  1. 可见，1个中文字符经过UTF-8编码后通常会占用3个字节，而1个英文字符只占用1个字节。
  2. 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。


四. 格式化

重要总结：

  1. 一个常见的问题是如何输出格式化的字符串。
    1. 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。
  2. 在Python中，采用的格式化方式和C语言是一致的，用%实现。
  3. %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，有几个%?占位符，后面就跟几个变量或者值，顺序要对应好。如果只有一个%?，括号可以省略。
  4. 格式化整数还可以指定是否补0和整数；浮点数可以指定小数的位数。
  5. 要输出%，用%对其进行转义，即用%%来表示一个%。
  6. 另一种格式化字符串的方法是使用字符串的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

常见的占位符有：

占位符 替换内容
%d 整数
%f 浮点数
%s 字符串
%x 十六进制整数

示例代码：（里面的“//”并不代表注释符）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
a = 'Hello, %s' % 'world'    // 替换一个不使用括号
b = 'Hi, %s, you have $%d.' % ('Michael', 1000000)   // 替换多个使用括号


c = '%6d-%02d' % (3, 1)  //  %6d  表示输出3之前有（6-1）个空格输出
                         //  %05d 表示输出1之前有（5-1）个0输出
d = '%.2f' % 3.145926    //  %.2f 表示输出的浮点数保留两位小数，第三位小数>=5就向前进1
e = 'growth rate: %d %%' % 7   //  转义，用%%表示一个%输出
f='Hello, {0}, 成绩提升了 {1:.1f}%'.format('小明', 17.125)
                         //  使用字符串format()方法，注意括号里面的1的意义

print(a)
print(b)
print(c)
print(d)
print(e)
print(f)

运行结果：
Hello, world 
Hi, Michael, you have $1000000. 
     3-000000001 
3.15
growth rate: 7 % 
Hello, 小明, 成绩提升了 17.1%