Python3 最重要的一項改進之一就是解決了 Python2 中字串與字元編碼遺留下來的這個大坑。Python 編碼為什麼那麼蛋疼？已經介紹過 Python2 字串設計上的一些缺陷：
- 使用 ASCII 碼作為預設編碼方式，對中文處理很不友好。
- 把字串的牽強地分為 unicode 和 str 兩種型別，誤導開發者
當然這並不算 Bug，只要處理的時候多留心也可以避免這些坑。但在 Python3 兩個問題都很好的解決了。
首先，Python3 把系統預設編碼設定為 UTF-8
|
1 2 3 4 |
>>> import sys >>> sys.getdefaultencoding() 'utf-8' >>> |
然後，文字字元和二進位制資料區分得更清晰，分別用 str 和 bytes 表示。文字字元全部用 str 型別表示，str 能表示 Unicode 字符集中所有字元，而二進位制位元組資料用一種全新的資料型別，用 bytes 來表示。
str
|
1 2 3 4 5 6 7 8 9 10 11 |
>>> a = "a" >>> a 'a' >>> type(a) <class 'str'> >>> b = "禪" >>> b '禪' >>> type(b) <class 'str'> |
bytes
Python3 中，在字元引號前加‘b’，明確表示這是一個 bytes 型別的物件，實際上它就是一組二進位制位元組序列組成的資料，bytes 型別可以是 ASCII範圍內的字元和其它十六進位制形式的字元資料，但不能用中文等非ASCII字元表示。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
>>> c = b'a' >>> c b'a' >>> type(c) class 'bytes'> >>> d = b'\xe7\xa6\x85' >>> d b'\xe7\xa6\x85' >>> type(d) class 'bytes'> >>> >>> e = b'禪' File "", line 1 SyntaxError: bytes can only contain ASCII literal characters. |
bytes 型別提供的操作和 str 一樣，支援分片、索引、基本數值運算等操作。但是 str 與 bytes 型別的資料不能執行 + 操作，儘管在py2中是可行的。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
>>> c = b'a' >>> c b'a' >>> type(c) <class 'bytes'> >>> d = b'\xe7\xa6\x85' >>> d b'\xe7\xa6\x85' >>> type(d) <class 'bytes'> >>> >>> e = b'禪' File "<stdin>", line 1 SyntaxError: bytes can only contain ASCII literal characters. |
python2 與 python3 位元組與字元的對應關係
| PYTHON2 | PYTHON3 | 表現 | 轉換 | 作用 |
|---|---|---|---|---|
| str | bytes | 位元組 | encode | 儲存 |
| unicode | str | 字元 | decode | 顯示 |
encode 與 decode
str 與 bytes 之間的轉換可以用 encode 和從decode 方法。
encode 負責字元到位元組的編碼轉換。預設使用 UTF-8 編碼準換。
|
1 2 3 4 5 |
>>> s = "Python之禪" >>> s.encode() b'Python\xe4\xb9\x8b\xe7\xa6\x85' >>> s.encode("gbk") b'Python\xd6\xae\xec\xf8' |
decode 負責位元組到字元的解碼轉換，通用使用 UTF-8 編碼格式進行轉換。
|
1 2 3 4 |
>>> b'Python\xe4\xb9\x8b\xe7\xa6\x85'.decode() 'Python之禪' >>> b'Python\xd6\xae\xec\xf8'.decode("gbk") 'Python之禪' |