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。

因爲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爲數字才能處理。最早的計算機在設計時採用8個比特（bit）作爲一個字節（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。

由於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裏，也就是大小寫英文字母、數字和一些符號，這個編碼表被稱爲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裏，韓國把韓文編到Euc-kr裏，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裏，這樣就不會再有亂碼問題了。

Unicode標準也在不斷髮展，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編碼的範圍，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划算。

所以，本着節約的精神，又出現了把Unicode編碼轉化爲“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，只有很生僻的字符纔會被編碼成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的關係，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，就轉換爲UTF-8編碼。

用記事本編輯的時候，從文件讀取的UTF-8字符被轉換爲Unicode字符到內存裏，編輯完成後，保存的時候再把Unicode轉換爲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內容轉換爲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<meta charset="UTF-8" />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後，我們再來研究Python對Unicode的支持。

因爲Python的誕生比Unicode標準發佈的時間還要早，所以最早的Python只支持ASCII編碼，普通的字符串'ABC'在Python內部都是ASCII編碼的。Python提供了ord()和chr()函數，可以把字母和對應的數字相互轉換：

>>> ord('A')
65
>>> chr(65)
'A'

Python在後來添加了對Unicode的支持，以Unicode表示的字符串用u'...'表示，比如：

>>> print u'中文'
中文
>>> u'中'
u'\u4e2d'

寫u'中'和u'\u4e2d'是一樣的，\u後面是十六進制的Unicode碼。因此，u'A'和u'\u0041'也是一樣的。

兩種字符串如何相互轉換？字符串'xxx'雖然是ASCII編碼，但也可以看成是UTF-8編碼，而u'xxx'則只能是Unicode編碼。

把u'xxx'轉換爲UTF-8編碼的'xxx'用encode('utf-8')方法：

>>> u'ABC'.encode('utf-8')
'ABC'
>>> u'中文'.encode('utf-8')
'\xe4\xb8\xad\xe6\x96\x87'

英文字符轉換後表示的UTF-8的值和Unicode值相等（但佔用的存儲空間不同），而中文字符轉換後1個Unicode字符將變爲3個UTF-8字符，你看到的\xe4就是其中一個字節，因爲它的值是228，沒有對應的字母可以顯示，所以以十六進制顯示字節的數值。len()函數可以返回字符串的長度：

>>> len(u'ABC')
3
>>> len('ABC')
3
>>> len(u'中文')
2
>>> len('\xe4\xb8\xad\xe6\x96\x87')
6

反過來，把UTF-8編碼表示的字符串'xxx'轉換爲Unicode字符串u'xxx'用decode('utf-8')方法：

>>> 'abc'.decode('utf-8')
u'abc'
>>> '\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
u'\u4e2d\u6587'
>>> print '\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
中文

由於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爲UTF-8編碼。當Python解釋器讀取源代碼時，爲了讓它按UTF-8編碼讀取，我們通常在文件開頭寫上這兩行：

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

第一行註釋是爲了告訴Linux/OS X系統，這是一個Python可執行程序，Windows系統會忽略這個註釋；

第二行註釋是爲了告訴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。

如果你使用Notepad++進行編輯，除了要加上# -*- coding: utf-8 -*-外，中文字符串必須是Unicode字符串：

申明瞭UTF-8編碼並不意味着你的.py文件就是UTF-8編碼的，必須並且要確保Notepad++正在使用UTF-8 without BOM編碼：

如果.py文件本身使用UTF-8編碼，並且也申明瞭# -*- coding: utf-8 -*-，打開命令提示符測試就可以正常顯示中文：

格式化

最後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，餘額是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，採用的格式化方式和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%?佔位符，後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。

常見的佔位符有：

%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麼，%s永遠起作用，它會把任何數據類型轉換爲字符串：

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

對於Unicode字符串，用法完全一樣，但最好確保替換的字符串也是Unicode字符串：

>>> u'Hi, %s' % u'Michael'
u'Hi, Michael'

有些時候，字符串裏面的%是一個普通字符怎麼辦？這個時候就需要轉義，用%%來表示一個%：

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

小結

由於歷史遺留問題，Python 2.x版本雖然支持Unicode，但在語法上需要'xxx'和u'xxx'兩種字符串表示方式。

Python當然也支持其他編碼方式，比如把Unicode編碼成GB2312：

>>> u'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Unicode和UTF-8這兩種編碼方式。

在Python 3.x版本中，把'xxx'和u'xxx'統一成Unicode編碼，即寫不寫前綴u都是一樣的，而以字節形式表示的字符串則必須加上b前綴：b'xxx'。

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。