阅读后，您可以为支付宝付款，并要求作者喝咖啡. 如有任何疑问，请加入微信小组讨论:

我们已经提到字符串也是一种数据类型. 但是，字符串的特点是存在编码问题.

因为计算机只能处理数字，所以如果要处理文本，则必须先将文本转换为数字，然后才能进行处理. 最早的计算机在设计中使用8位作为字节. 因此，一个字节可以代表的最大整数是255（二进制11111111 =十进制255）. 如果要表示一个较大的整数，则必须使用更多的字节. 例如，可以用两个字节表示的最大整数是65535，可以用4个字节表示的最大整数是4294967295.

由于计算机是美国人发明的，最早只有127个字符被编码到计算机中，即大写和小写英文字母字符串，数字和一些符号. 该编码表称为ASCII编码，例如大写字母A. 代码为65，小写字母z的代码为122.

但是显然一个字节不足以处理中文. 至少需要两个字节，并且它不能与ASCII编码冲突. 因此，中国已开发出GB2312编码以合并中文.

您可以想象的是，世界上有数百种语言. 日本将日文编译为Shift_JIS，韩国将韩文编译为Euc-kr. 每个国家都有自己的标准，因此不可避免地会发生冲突. 也就是说，在多语言混合文本中，将显示乱码.

因此，Unicode应运而生. Unicode将所有语言统一为一组编码，因此不会再出现乱码了.

Unicode标准也在不断发展，但是最常用的一种是使用两个字节来表示一个字符（如果要使用非常远程的字符，则需要4个字节）. 现代操作系统和大多数编程语言直接支持Unicode.

现在，让我们看一下ASCII编码和Unicode编码之间的区别: ASCII编码为1个字节，而Unicode编码通常为2个字节.

字母A的ASCII码为十进制的65和二进制的01000001;

ASCII代码中的字符0为十进制的48和二进制的00110000. 请注意，字符“ 0”和整数0是不同的；

汉字已超出ASCII编码的范围. Unicode编码为十进制的20013和二进制的01001110 00101101.

您可以猜测，如果将Unicode编码用于ASCII编码A，则只需在前面添加0. 因此，A的Unicode编码为00000000 01000001.

又出现了一个新问题: 如果将其统一为Unicode，则乱码问题将消失. 但是，如果您编写的文本基本上全部是英语，则Unicode编码所需的存储空间是ASCII编码的两倍，这在存储和传输方面非常不经济.

因此，本着节约的精神，再次出现了将Unicode编码转换为“可变长度编码”的UTF-8编码. UTF-8编码根据不同的数字大小将Unicode字符编码为1-6个字节. 常用英文字母编码为1个字节，汉字通常为3个字节. 仅将非常稀有的字符编码为4-6个字节. 如果要传输的文本包含很多英文字符，则使用UTF-8编码可以节省空间:

字符ASCIIUnicodeUTF-8

A

01000001

00000000 01000001

01000001

中等

x

01001110 00101101

11100100 10111000 10101101

从上表中，您还可以发现UTF-8编码还有其他好处，即ASCII编码实际上可以视为UTF-8编码的一部分. 因此，许多仅支持ASCII编码的历史软件可以在UTF-8编码下继续工作.

在弄清了ASCII，Unicode和UTF-8之间的关系之后，我们可以总结一下计算机系统中字符编码的当前工作方法:

在计算机内存中，统一使用Unicode编码，当需要将其保存到硬盘或进行传输时，它会转换为UTF-8编码.

使用记事本进行编辑时，将从文件读取的UTF-8字符转换为Unicode字符到内存中. 编辑后，保存时，将Unicode转换为UTF-8并保存到文件:

浏览Web时，服务器会将动态生成的Unicode内容转换为UTF-8，然后将其传输到浏览器:

因此，在许多网页的源代码上您会看到类似的信息，这表明该网页已以UTF-8编码.

弄清楚麻烦的字符编码问题后，让我们研究Python字符串.

在最新版本的Python 3中，字符串以Unicode编码，这意味着Python字符串支持多种语言，例如:

>>> print('包含中文的str')
包含中文的str

对于单个字符的编码，Python提供了ord（）函数来获取字符的整数表示，而chr（）函数将编码转换为相应的字符:

>>> ord('A')
65
>>> ord('中')
20013
>>> chr(66)
'B'
>>> chr(25991)
'文'

如果您知道字符的整数编码，也可以用十六进制形式写str:

>>> '\u4e2d\u6587'
'中文'

两种书写方式完全相同.

由于Python的字符串类型为str，因此在内存中以Unicode表示，并且一个字符对应几个字节. 如果要在网络上传输或保存到磁盘，则需要将str更改为以字节为单位的字节.

Python使用以b开头的单引号或双引号来表示字节数据:

x = b'ABC'

请注意区分“ ABC”和“ b'ABC”. 前者是str. 尽管后者的内容显示与前者相同字符串，但每个字节字符仅占用一个字节.

可以使用encode（）方法将以Unicode表示的str编码为指定的字节，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)

纯英语的str可以用ASCII编码为字节，并且内容相同，包含中文的str可以用UTF-8编码为字节. 包含中文的str不能用ASCII编码，因为中文编码的范围超出了ASCII编码的范围，并且Python将报告错误.

以字节为单位，用\ x ##显示无法显示为ASCII字符的字节.

相反，如果我们从网络或磁盘读取字节流，则读取的数据为字节. 要将字节转换为str，需要使用decode（）方法:

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

如果字节包含无法解码的字节，则define（）方法将报告错误:

>>> b'\xe4\xb8\xad\xff'.decode('utf-8')
Traceback (most recent call last):
  ...
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte

如果字节中只有一小部分无效字节，则可以传递errors ='ignore'来忽略错误的字节:

>>> b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore')
'中'

要计算str包含多少个字符，可以使用len（）函数:

>>> len('ABC')
3
>>> len('中文')
2

len（）函数计算str中的字符数. 如果用字节替换，则len（）函数将计算字节数:

>>> len(b'ABC')
3
>>> len(b'\xe4\xb8\xad\xe6\x96\x87')
6
>>> len('中文'.encode('utf-8'))
6

可以看出，经过UTF-8编码后，汉字通常占3个字节，而英文字符仅占1个字节.

在处理字符串时，我们经常遇到str和字节之间的转换. 为了避免出现乱码问题，应始终使用UTF-8编码来转换str和字节.

由于Python源代码也是文本文件，因此当源代码包含中文时，在保存源代码时必须指定UTF-8编码. 当Python解释器读取源代码时，为了使它以UTF-8编码读取，我们通常在文件开头写入以下两行:

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

注释的第一行是告诉Linux / OS X系统，这是一个Python可执行程序，Windows系统将忽略此注释；

第二行注释是告诉Python解释器根据UTF-8编码读取源代码. 否则，您在源代码中编写的中文输出可能会出现乱码.

确认UTF-8编码并不意味着您的.py文件是UTF-8编码的. 您必须并确保文本编辑器使用的是没有BOM编码的UTF-8:

如果.py文件本身使用UTF-8编码，并且还声明#-*-编码: utf-8-*-，请打开命令提示符以测试并正常显示中文:

最后一个常见问题是如何输出格式化的字符串. 我们经常输出类似'Hello dear xxx！您xx个月的电话费是xx，余额是类似xx'的字符串，xxx的内容根据变量而变化. 因此，需要一种简单的格式化字符串的方法.

在Python中，使用的格式化方法与C语言相同，例如，通过％实现:

>>> 'Hello, %s' % 'world'
'Hello, world'
>>> 'Hi, %s, you have $%d.' % ('Michael', 1000000)
'Hi, Michael, you have $1000000.'

您可能已经猜到了，％运算符用于格式化字符串. 在字符串中，％s表示用字符串替换，％d表示用整数替换，有几个％？占位符，后跟几个变量或值，并且顺序应相对应. 如果只有一个％?，则可以省略括号.

常见的占位符是:

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

其中，在格式化整数和浮点数时，还可以指定是否添加0以及整数和小数位数:

# -*- coding: utf-8 -*-
----
print('%2d-d' % (3, 1))
print('%.2f' % 3.1415926)

如果不确定使用什么，％s将始终有效，它将任何数据类型转换为字符串:

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

有时，如果字符串中的％是正常字符怎么办？此时，您需要转义，使用%%代表a％:

>>> 'growth rate: %d %%' % 7
'growth rate: 7 %'

格式化字符串的另一种方法是使用字符串的format（）方法，该方法将依次用传递的参数替换字符串中的占位符{0}，{1} ...，但是这种方式比％麻烦得多:

>>> 'Hello, {0}, 成绩提升了 {1:.1f}%'.format('小明', 17.125)
'Hello, 小明, 成绩提升了 17.1%'

小明的得分从去年的72分上升到今年的85分. 请计算小明改进的百分比，并以字符串格式显示“ xx.x％”，仅保留小数点后一位:

# -*- coding: utf-8 -*-
s1 = 72
s2 = 85
----
r = ???
print('???' % r)

Python 3对字符串使用Unicode，它直接支持多种语言.

在str和字节之间转换时，需要指定编码. 最常用的编码是UTF-8. 当然，Python还支持其他编码方法，例如将Unicode编码为GB2312:

>>> '中文'.encode('gb2312')
b'\xd6\xd0\xce\x'

但是这种方法纯属自找麻烦. 如果没有特殊的业务要求，请记住仅使用UTF-8编码.

格式化字符串时，可以使用Python的交互式环境进行测试，这既方便又快捷.

the_string.py

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-288985-1.html