# 字符串和編碼 ## 字符編碼 我們已經講過了，字符串也是一種數據類型，但是，字符串比較特殊的是還有一個編碼問題。 因為計算機只能處理數字，如果要處理文本，就必須先把文本轉換為數字才能處理。最早的計算機在設計時采用8個比特（bit）作為一個字節（byte），所以，一個字節能表示的最大的整數就是255（二進制11111111=十進制255），如果要表示更大的整數，就必須用更多的字節。比如兩個字節可以表示的最大整數是`65535`，4個字節可以表示的最大整數是`4294967295`。 由于計算機是美國人發明的，因此，最早只有127個字母被編碼到計算機里，也就是大小寫英文字母、數字和一些符號，這個編碼表被稱為`ASCII`編碼，比如大寫字母`A`的編碼是`65`，小寫字母`z`的編碼是`122`。 但是要處理中文顯然一個字節是不夠的，至少需要兩個字節，而且還不能和ASCII編碼沖突，所以，中國制定了`GB2312`編碼，用來把中文編進去。 你可以想得到的是，全世界有上百種語言，日本把日文編到`Shift_JIS`里，韓國把韓文編到`Euc-kr`里，各國有各國的標準，就會不可避免地出現沖突，結果就是，在多語言混合的文本中，顯示出來會有亂碼。  因此，Unicode應運而生。Unicode把所有語言都統一到一套編碼里，這樣就不會再有亂碼問題了。 Unicode標準也在不斷發展，但最常用的是用兩個字節表示一個字符（如果要用到非常偏僻的字符，就需要4個字節）。現代操作系統和大多數編程語言都直接支持Unicode。 現在，捋一捋ASCII編碼和Unicode編碼的區別：ASCII編碼是1個字節，而Unicode編碼通常是2個字節。 字母`A`用ASCII編碼是十進制的`65`，二進制的`01000001`； 字符`0`用ASCII編碼是十進制的`48`，二進制的`00110000`，注意字符`'0'`和整數`0`是不同的； 漢字`中`已經超出了ASCII編碼的范圍，用Unicode編碼是十進制的`20013`，二進制的`01001110 00101101`。 你可以猜測，如果把ASCII編碼的`A`用Unicode編碼，只需要在前面補0就可以，因此，`A`的Unicode編碼是`00000000 01000001`。 新的問題又出現了：如果統一成Unicode編碼，亂碼問題從此消失了。但是，如果你寫的文本基本上全部是英文的話，用Unicode編碼比ASCII編碼需要多一倍的存儲空間，在存儲和傳輸上就十分不劃算。 所以，本著節約的精神，又出現了把Unicode編碼轉化為“可變長編碼”的`UTF-8`編碼。UTF-8編碼把一個Unicode字符根據不同的數字大小編碼成1-6個字節，常用的英文字母被編碼成1個字節，漢字通常是3個字節，只有很生僻的字符才會被編碼成4-6個字節。如果你要傳輸的文本包含大量英文字符，用UTF-8編碼就能節省空間： | 字符 | ASCII | Unicode | UTF-8 | | --- | --- | --- | --- | | A | 01000001 | 00000000 01000001 | 01000001 | | 中 | x | 01001110 00101101 | 11100100 10111000 10101101 | 從上面的表格還可以發現，UTF-8編碼有一個額外的好處，就是ASCII編碼實際上可以被看成是UTF-8編碼的一部分，所以，大量只支持ASCII編碼的歷史遺留軟件可以在UTF-8編碼下繼續工作。 搞清楚了ASCII、Unicode和UTF-8的關系，我們就可以總結一下現在計算機系統通用的字符編碼工作方式： 在計算機內存中，統一使用Unicode編碼，當需要保存到硬盤或者需要傳輸的時候，就轉換為UTF-8編碼。 用記事本編輯的時候，從文件讀取的UTF-8字符被轉換為Unicode字符到內存里，編輯完成后，保存的時候再把Unicode轉換為UTF-8保存到文件：  瀏覽網頁的時候，服務器會把動態生成的Unicode內容轉換為UTF-8再傳輸到瀏覽器：  所以你看到很多網頁的源碼上會有類似`&lt;meta charset="UTF-8" /&gt;`的信息，表示該網頁正是用的UTF-8編碼。 ## Python的字符串 搞清楚了令人頭疼的字符編碼問題后，我們再來研究Python的字符串。 在最新的Python 3版本中，字符串是以Unicode編碼的，也就是說，Python的字符串支持多語言，例如： ``` >>> print('包含中文的str') 包含中文的str ``` 對于單個字符的編碼，Python提供了`ord()`函數獲取字符的整數表示，`chr()`函數把編碼轉換為對應的字符： ``` >>> ord('A') 65 >>> ord('中') 20013 >>> chr(66) 'B' >>> chr(25991) '文' ``` 如果知道字符的整數編碼，還可以用十六進制這么寫`str`： ``` >>> '\u4e2d\u6587' '中文' ``` 兩種寫法完全是等價的。 由于Python的字符串類型是`str`，在內存中以Unicode表示，一個字符對應若干個字節。如果要在網絡上傳輸，或者保存到磁盤上，就需要把`str`變為以字節為單位的`bytes`。 Python對`bytes`類型的數據用帶`b`前綴的單引號或雙引號表示： ``` x = b'ABC' ``` 要注意區分`'ABC'`和`b'ABC'`，前者是`str`，后者雖然內容顯示得和前者一樣，但`bytes`的每個字符都只占用一個字節。 以Unicode表示的`str`通過`encode()`方法可以編碼為指定的`bytes`，例如： ``` >>> 'ABC'.encode('ascii') b'ABC' >>> '中文'.encode('utf-8') b'\xe4\xb8\xad\xe6\x96\x87' >>> '中文'.encode('ascii') Traceback (most recent call last): File "<stdin>", line 1, in <module> UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128) ``` 純英文的`str`可以用`ASCII`編碼為`bytes`，內容是一樣的，含有中文的`str`可以用`UTF-8`編碼為`bytes`。含有中文的`str`無法用`ASCII`編碼，因為中文編碼的范圍超過了`ASCII`編碼的范圍，Python會報錯。 在`bytes`中，無法顯示為ASCII字符的字節，用`\x##`顯示。 反過來，如果我們從網絡或磁盤上讀取了字節流，那么讀到的數據就是`bytes`。要把`bytes`變為`str`，就需要用`decode()`方法： ``` >>> b'ABC'.decode('ascii') 'ABC' >>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8') '中文' ``` 要計算`str`包含多少個字符，可以用`len()`函數： ``` >>> len('ABC') 3 >>> len('中文') 2 ``` `len()`函數計算的是`str`的字符數，如果換成`bytes`，`len()`函數就計算字節數： ``` >>> len(b'ABC') 3 >>> len(b'\xe4\xb8\xad\xe6\x96\x87') 6 >>> len('中文'.encode('utf-8')) 6 ``` 可見，1個中文字符經過UTF-8編碼后通常會占用3個字節，而1個英文字符只占用1個字節。 在操作字符串時，我們經常遇到`str`和`bytes`的互相轉換。為了避免亂碼問題，應當始終堅持使用UTF-8編碼對`str`和`bytes`進行轉換。 由于Python源代碼也是一個文本文件，所以，當你的源代碼中包含中文的時候，在保存源代碼時，就需要務必指定保存為UTF-8編碼。當Python解釋器讀取源代碼時，為了讓它按UTF-8編碼讀取，我們通常在文件開頭寫上這兩行： ``` #!/usr/bin/env python3 # -*- coding: utf-8 -*- ``` 第一行注釋是為了告訴Linux/OS X系統，這是一個Python可執行程序，Windows系統會忽略這個注釋； 第二行注釋是為了告訴Python解釋器，按照UTF-8編碼讀取源代碼，否則，你在源代碼中寫的中文輸出可能會有亂碼。 申明了UTF-8編碼并不意味著你的`.py`文件就是UTF-8編碼的，必須并且要確保文本編輯器正在使用UTF-8 without BOM編碼：  如果`.py`文件本身使用UTF-8編碼，并且也申明了`# -*- coding: utf-8 -*-`，打開命令提示符測試就可以正常顯示中文：  ## 格式化 最后一個常見的問題是如何輸出格式化的字符串。我們經常會輸出類似`'親愛的xxx你好！你xx月的話費是xx，余額是xx'`之類的字符串，而xxx的內容都是根據變量變化的，所以，需要一種簡便的格式化字符串的方式。  在Python中，采用的格式化方式和C語言是一致的，用`%`實現，舉例如下： ``` >>> 'Hello, %s' % 'world' 'Hello, world' >>> 'Hi, %s, you have $%d.' % ('Michael', 1000000) 'Hi, Michael, you have $1000000.' ``` 你可能猜到了，`%`運算符就是用來格式化字符串的。在字符串內部，`%s`表示用字符串替換，`%d`表示用整數替換，有幾個`%?`占位符，后面就跟幾個變量或者值，順序要對應好。如果只有一個`%?`，括號可以省略。 常見的占位符有： | %d | 整數 | | %f | 浮點數 | | %s | 字符串 | | %x | 十六進制整數 | 其中，格式化整數和浮點數還可以指定是否補0和整數與小數的位數： ``` >>> '%2d-%02d' % (3, 1) ' 3-01' >>> '%.2f' % 3.1415926 '3.14' ``` 如果你不太確定應該用什么，`%s`永遠起作用，它會把任何數據類型轉換為字符串： ``` >>> 'Age: %s. Gender: %s' % (25, True) 'Age: 25\. Gender: True' ``` 有些時候，字符串里面的`%`是一個普通字符怎么辦？這個時候就需要轉義，用`%%`來表示一個`%`： ``` >>> 'growth rate: %d %%' % 7 'growth rate: 7 %' ``` ## 練習 小明的成績從去年的72分提升到了今年的85分，請計算小明成績提升的百分點，并用字符串格式化顯示出`'xx.x%'`，只保留小數點后1位： ``` # -*- coding: utf-8 -*- s1 = 72 s2 = 85 r = ??? print('???' % r) ``` ## 小結 Python 3的字符串使用Unicode，直接支持多語言。 str和bytes互相轉換時，需要指定編碼。最常用的編碼是UTF-8。Python當然也支持其他編碼方式，比如把Unicode編碼成GB2312： ``` >>> '中文'.encode('gb2312') '\xd6\xd0\xce\xc4' ``` 但這種方式純屬自找麻煩，如果沒有特殊業務要求，請牢記僅使用UTF-8編碼。 格式化字符串的時候，可以用Python的交互式命令行測試，方便快捷。 ## 參考源碼 [the_string.py](https://github.com/michaelliao/learn-python3/blob/master/samples/basic/the_string.py)