python基礎之字串和編碼

　　在前面已經說過python的輸入和輸出了，也說過python的基礎資料型別和變數了

　　字串屬於一種資料型別，字串比較重要的就是編碼問題

　　先看下一些編碼的例子

　　

　　舉例子說下各種編碼的區別，優缺點：

　　ASCII:美國人發明，比如大寫字母A編碼是65，小寫字母z編碼是122;一般一個位元組

　　GB2312:中國發明，把中文加了進去

　　Unicode:把所有語言都統一到一套編碼裡;一般用兩個位元組表示一個字元

　　但是這樣也會有問題，所以現在基本上都用UTF-8編碼。用Unicode編碼雖然可以解決亂碼問題，但是如果全部是英文的話，用Unicode編碼比用ASCII編碼多一倍的儲存空間，在儲存和傳輸上就十分不划算。

　　所以，出現了UTF-8編碼，UTF-8編碼把一個Unicode字元根據不同的數字大小編碼成1-6個位元組，常用的英文被編譯成1個位元組，漢字是3個位元組，這樣一來基本都解決了問題。網頁基本上都是UTF-8編碼。

　　python的字串

　　我用的是python3版本，字串是以Unicode編碼的，所以python的字串支援多語言，舉個例子：

　　>>> print('包含中文的English')

　　包含中文的English

　　對於單個字元，python使用ord()函式獲取字元的整數表示，chr()函式把編碼轉換為對應字元，舉個例子：

　　>>> ord('A')

　　65

　　>>> ord('中')

　　20013

　　>>> chr(66)

　　'B'

　　>>> chr(25991)

　　'文'

　　>>> chr(10000)

　　'✐'

　　如果想用chr()函式的話，首先要知道對應內容對應的編碼。如果知道字元的整數編碼還可以用十六進位制來寫：

　　>>> '\u4e2d\u6587'

　　'中文'

　　上面這兩種寫法是等價的，python的字串型別是str，記憶體裡以Unicode來表示，一個字元對應若干個字元，如果要在網上傳輸，或者儲存到磁碟，就得把str變成以位元組為單位的bytes。

　　在python裡用帶b字首的單引號或雙引號來表示bytes型別的資料，舉個例子：

　　x = b'ABC'

　　注意!!'ABC'和b'ABC'是不一樣的。'ABC'是str型別，後面是bytes，bytes的每個字元只佔用一個位元組。

　　用Unicode表示的str透過encode()方法可以編碼為指定的bytes,舉個例子：

　　>>> '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 "", line 1, in

　　'中文'.encode('ascii')

　　UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)

　　可以看到，英文的str可以用ASCII編碼為bytes,內容都是一樣的。

　　含有中文的str可以用UTF-8編碼為bytes。

　　含有中文的str如果用ASCII編碼，就會出錯，因為中文編碼的範圍超過了ASCII編碼的範圍。

　　在bytes中，無法顯示為ASCII字元的位元組，用\x##顯示，所以如果從網路上或磁碟上讀取了位元組流，讀到的資料是bytes。如果想把bytes轉換為str，需要使用decode()方法，舉個例子：

　　>>> b'ABC'.decode('ascii')

　　'ABC'

　　>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')

　　'中文' 無錫男科醫院

　　注意，如果bytes中含有無法解碼的位元組，decode()方法會報錯!!!

　　如果bytes中只有一小部分無效的位元組，可傳入errors='ignore'用來忽略錯誤的位元組，舉個例子：

　　>>> b'\xe4\xb8\xad\xff'.decode('utf-8')

　　Traceback (most recent call last):

　　File "", line 1, in

　　b'\xe4\xb8\xad\xff'.decode('utf-8')

　　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'

　　如果要計算str包含多少個字元，可以用len()函式，舉個例子：

　　>>> len('ABC')

　　3

　　>>> len('中文')

　　2

　　如果要計算bytes包含多少個字元，也可以用len()，此時計算的是位元組數，舉個例子：

　　>>> len(b'ABC')

　　3

　　>>> len(b'\xe4\xb8\xad\xe6\x96\x87')

　　6

　　>>> len('中文'.encode('utf-8'))

　　6

　　大家仔細看，一箇中文字元經過UTF-8編碼後通常佔用3個位元組，一個英文字元只佔用一個字元。

　　但是在實際操作的時候，經常會用到str和bytes的互相轉換，為了避免亂碼，我們在編碼的時候就指定使用UTF-8編碼：

　　ps:當然python也支援其他編碼方式，比如把Unicode編碼成GB2312，但是太麻煩了!!!

　　# -*- coding: utf-8 -*-

　　這一行註釋不是沒用，而是告訴python直譯器，按照UTF-8編碼讀取原始碼，否則在程式碼中寫的中文輸出可能會有亂碼。

　　如果.py檔案本身使用UTF-8編碼，並且指定了：# -*- coding: utf-8 -*-，那麼開啟命令提示符測試就可以正常顯示中文。

　　格式化

　　一般還有個如何輸出格式化的字串的問題，在python中使用%實現，舉個例子：

　　>>> 'Hello, %s' % 'world'

　　'Hello, world'

　　>>> 'Hi, %s, you have $%d.' % ('jack', 1000000)

　　'Hi, jack, you have $1000000.'

　　所以，%運算子是用來格式化字串的，在字串裡面%s表示用字串替換，用%d表示用整數替換，有幾個%?佔位符，後面就跟幾個變數或者值，如果只有一個%?，括號可以省略。

　　常用佔位符有下面這些：

　　還有，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。

　　如果不知道用什麼，%s永遠可以起作用，它會把任何資料型別轉換為字串，舉個例子：

　　>>> 'Age: %s. Gender: %s' % (25, True)

　　'Age: 25. Gender: True'

　　r如果字串裡面的%是一個普通字元的話，就需要轉義一下了，用%%來表示一個%，舉個例子：

　　>>> 'growth rate: %d %%' % 7

　　'growth rate: 7 %'

　　format()

　　還有一種格式化字串的方法是使用字串的format()方法，它會用傳入的引數依次替換字串內的佔位符{0}、{1}等等，

　　這種方式寫起來比%麻煩，舉個例子：

　　>>> 'Hello, {0}, 成績提升了 {1:.1f}%'.format('小明', 17.125)

　　'Hello, 小明, 成績提升了 17.1%'

　　格式化字串的時候，可以用python的互動式環境測試，比較方便。