『無為則無心』Python基礎 — 9、Python字串的編碼與轉義

繁華似錦Fighting發表於2021-06-27
Python字串

目錄

提示：上一篇文章中介紹了Python字串的使用，本篇文章來說說Python字串的編碼與轉義。

在此之前，我們先介紹一下在Python中如何檢視一個變數的型別。

1、檢視變數型別

（1）type( )函式說明

  • 在Python中，type( )函式是一個最實用又簡單的檢視物件資料型別的方法。
  • type( )函式是Python的一個內建的函式，呼叫它就能夠得到一個反回值，從而知道想要查詢的對像型別資訊。
  • type( )函式的作用：
    只有第一個引數時，則返回物件的型別。多個引數以後用到在詳細說。
  • type( )函式的使用方法：
    type(object)

（2）示例

"""
 type()函式用來檢查值的型別。
 該函式會將檢查的結果作為返回值返回，可以通過變數來接收函式的返回值。
 注意： type()函式檢視的是變數對應空間中儲存的值的型別。
"""
a = type('123')
print(a)  # <class 'str'>

# 檢視我們所學過的資料型別
print(type(1)) # <class 'int'>
print(type(1.5)) # <class 'float'>
print(type(True)) # <class 'bool'>
print(type('hello'))  # <class 'str'>
print(type(None)) # <class 'NoneType'>

提示：type( )函式的強大功能並非只能用於檢視變數型別，以後用到再總結。

2、轉義字元

（1）轉義字元說明

  • 有部分符號在Python中是有特殊含義的，當需要使用符號自身原有的意思時，這時可以通過轉義字元表示。
  • 轉義字元的意義就是避免出現二義性，避免系統識別錯誤。

（2）示例

# 1、如果字串內部既包含'又包含"怎麼辦？
# 可以用轉義字元`\`來標識
print("北京的金山上，"光芒"照四方。") # SyntaxError: invalid syntax
# 使用轉義字元解決
print("北京的金山上，\"光芒\"照四方。")
# 使用上邊說的引號之間的巢狀解決
print('北京的金山上，"光芒"照四方。')


"""
# 2、轉義字元`\`可以轉義很多字元，
    比如`\n`表示換行，
        `\t`表示製表符，
        字元`\`本身也要轉義，所以`\\`表示的字元就是`\`，
"""
# 輸出結果：子曰:"學而時習之，\\n樂呵樂呵！"
s = "子曰:\"學而時習之，\\\\n樂呵樂呵！\""
print(s)

（3）常用轉義字元對照表

轉義字元 描述
\(在行尾時) 續行符
\\ 反斜槓符號
\' 單引號
\" 雙引號
\a 響鈴
\b 退格(Backspace)
\e 轉義
\000 空
\n 換行
\v 縱向製表符
\t 橫向製表符，一個tab鍵（4個空格）的距離
\r 回車
\f 換頁
\oyy 八進位制數，yy代表的字元，例如：\o12代表換行
\xyy 十六進位制數，yy代表的字元，例如：\x0a代表換行
\other 其它的字元以普通格式輸出

提示：轉義、去轉義線上工具：http://www.bejson.com

3、字元編碼

字串有一個比較特殊的問題，就是編碼問題。

（1）字元編碼介紹

1）字元編碼的由來：

因為計算機只能處理二進位制數字，也就是0和1。如果要處理文字，就必須先把文字轉換為數字才能處理。

由於計算機是美國人發明的，因此，最早只有127個字元被編碼到計算機裡，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位元組是不夠的，至少需要兩個位元組，而且還不能和ASCII編碼衝突，所以，中國製定了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裡，韓國把韓文編到Euc-kr裡，各國有各國的標準，就會不可避免地出現衝突，結果就是，在多語言混合的文字中，顯示出來會有亂碼。

2）Unicode編碼介紹：

如上所述，Unicode編碼應運而生，又稱為萬國碼。Unicode編碼把所有語言都統一到一套編碼裡，這樣就不會再有亂碼問題了。

Unicode編碼標準也在不斷髮展，但最常用的是用兩個位元組表示一個字元（如果要用到非常偏僻的字元，就需要4個位元組）。現代作業系統和大多數程式語言都直接支援Unicode編碼。

3）UTF-8編碼介紹：

然而新的問題又出現了：如果統一成Unicode編碼，亂碼問題從此消失了。但是，如果你寫的文字基本上全部是英文的話，用Unicode編碼比ASCII編碼需要多一倍的儲存空間，在儲存和傳輸上就十分不划算。

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編碼字元根據不同的數字大小編碼成1-6個位元組【8個位元（bit）作為一個位元組（byte）】，常用的英文字母被編碼成1個位元組，漢字通常是3個位元組，只有很生僻的字元才會被編碼成4-6個位元組。如果你要傳輸的文字包含大量英文字元（如果統一標準的話，一個英文字元要補2-3個位元組的0），用UTF-8編碼就能節省空間。

如下圖所示：

image

因為我們編寫的程式碼檔案中，絕大部分都是英文，所以我們常用的編碼格式為UTF-8編碼。

UTF-8編碼還有一個額外的好處，就是ASCII編碼實際上可以被看成是UTF-8編碼的一部分，所以，大量只支援ASCII編碼的歷史遺留軟體可以在UTF-8編碼下繼續工作。

（2）Python中的字元編碼

Python3的預設編碼是UTF-8編碼，可通過如下程式碼檢視。

import sys

# 可檢視Python3的預設編碼。
print(sys.getdefaultencoding())
# 下面的方式也可以檢視
print(sys.stdout.encoding)

Python3中字元編碼經常會使用到decode和encode函式。特別是在抓取網頁中，這兩個函式用的熟練非常有好處。

  • encode（編碼）的作用，使我們看到的直觀的字元轉換成計算機內的位元組形式。
  • decode（解碼）剛好相反，把位元組形式的字元轉換成我們看的懂的、直觀的、“人模人樣”的形式。

如下圖所示：

image

（3）編碼格式應用於不同場景

資料在記憶體當中處理時，使用的格式是Unicode，統一標準。

在硬碟上儲存，或者是在網路上傳輸時，用的是UTF-8，因為省空間。

參考：https://www.liaoxuefeng.com/wiki/1016959663602400/1017075323632896

相關文章