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。