字符串和編碼
字符編碼
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、Unicod e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<metacharset="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。
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, youhave $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。str和unicode都是basestring的子類。
嚴格意義上說,str其實是字節串,它是unicode經過編碼後的字節組成的序列。對UTF-8編碼的str'苑'使用len()函數時,結果是3,因爲utf8編碼的'苑' == '\xe8\x8b\x91'。而unicode是一個字符串,str是unicode這個字符串經過編碼(utf8,gbk等)後的字節組成的序列。如上面utf8編碼的字符串'漢'。
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。
默認編碼:就是解釋器解釋代碼時默認的編碼方式,在py2裏默認的編碼方式是ASCII,在py3裏則是utf8(sys.getdefaultencoding()查看)。
文件保存和執行過程
我們講過,字符串在內存中是以unicode的數據形式保存的,可什麼時候我們數據是在內存呢?讓我們一起解析這個過程
比如我們在pycharm上(py3.5)創建一個hello.py文件:
print('hello 苑昊')
這個時候我們的數據在內存嗎?NO,它已經被pycharm以默認的文件保存編碼方式存到了硬盤(二進制數據),所以一定注意,你點擊運行的時候,其實首先需要打開這個文件,然後將所有的數據轉移到內存,字符串此時就以unicode的數據格式存到內存的某塊地址上(爲什麼要這樣處理一會講到),其它內容還是utf8的編碼方式,然後解釋器就可以按着默認的utf8的編碼方式逐行解釋了。
所以,一旦你的文件保存時的編碼與解釋器解釋的編碼不一致時就會出現錯誤。
cmd窗口情況下:windows下cmd默認的編碼是GBK
想在windows下查看sqlite的utf-8中文需要先 執行chcp 65001把當前頁換爲utf-8編碼
chcp 命令:
chcp 65001 就是換成UTF-8代碼頁,在命令行標題欄上點擊右鍵,選擇"屬性"->"字體",將字體修改爲True Type字體"Lucida Console",然後點擊確定將屬性應用到當前窗口
chcp 936 可以換回默認的GBK
chcp 437 是美國英語
常見編碼錯誤
1 cmd下的亂碼問題
hello.py
#coding:utf8
print ('苑昊')
文件保存時的編碼也爲utf8。
思考:爲什麼在IDE下用2或3執行都沒問題,在cmd.exe下3正確,2亂碼呢?
我們在win下的終端即cmd.exe去執行,大家注意,cmd.exe本身就是一個軟件;當我們python2 hello.py時,python2解釋器(默認ASCII編碼)去按聲明的utf8編碼文件,而文件又是utf8保存的,所以沒問題;問題出在當我們print'苑昊'時,解釋器這邊正常執行,也不會報錯,只是print的內容會傳遞給cmd.exe顯示,而在py2裏這個內容就是utf8編碼的字節數據,而這個軟件默認的編碼解碼方式是GBK,所以cmd.exe用GBK的解碼方式去解碼utf8自然會亂碼。
py3正確的原因是傳遞給cmd的是unicode數據,符合ISO統一標準的,所以沒問題。
print
(u
'苑昊'
)
改成這樣後,cmd下用2也不會有問題了。