字符串和编码

字符编码

字符编码也称字集码，是把字符集中的字符编码为指定集合中某一对象，以便文本在计算机中存储和通过通信网络的传递。

最早计算机只有127个字符被编码到计算机中，就是ASCII编码。但是要处理中文一个字节是不够的，至少需要两个字节，并且不能和ASCII编码冲突，所以，有了GB2312编码，用来把中文编进去。

为了把所有世界上的语言都统一到一套编码中，Unicode的出现解决了所有语言混合在一个文本中会出现乱码的问题。

本着节约的精神，出现了可变长编码的UTF-8出现了，UTF-8会根据一个Unicode字符不同的数字大小编码成1-6个字节，能够节省空间:

从上面的表格中可以发现，UTF-8编码有一个好处，ASCII编码可以被看成是UTF-的一部分，大量支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。

python的字符串

对于单个字符的编码，python提供了ord()函数获取字符的整数表示，chr()函数把编码转换为对应的字符

>>> ord('A')
65
>>> ord('国')
22269
>>> chr(66)
'B'
>>> chr(22269)
'国'

若知道字符的整数编码，也可以使用十六进制:

>>> '\u4e2d\u56fd'
'中国'

由于python的字符串类型是str，在内存中以unicode表示，一个字符对应若干个字节，若要在网络上传输或者保存到磁盘上，需要将str变为以字节为单位的bytes。

用b前缀的单引号或双引号表示:

x = b'ABC'

以Unicode表示的str通过encode()方法可以编码为指定的bytes

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

相反，若从网络或磁盘上读取了字节流，读取的数据为bytes，就要将bytes变为str，需要使用decode()方法解码。

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

若bytes中包含无法解码的字节，decode()方法就会报错。

计算str包含多少个字符，可以使用len()函数

>>> len('ABC')
3
>>> len('中文')
2

若将str字符串换成bytes，len()函数就计算字节数

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

1个中文字符经过utf-8编码后通常会占用3个字节，而1个英文字符只占用1个字节

在python源代码的文件中，需要无病质地的那个保存为UTF-8编码。当解释器读取源代码时，为了让它按UTF-8编码读取，需要在文件头上写上以下两行

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

• 第一行是为了告诉Linux/OS X系统，这是一个Python可执行程序，Windows会忽略这行注释
• 第二行是为了告诉解释器，按照UTF-8编码读取源码，否则，源代码中写的中文输出可能会有乱码。

还需要确保文本编辑器正在使用UTF-8编码(设置UTF-8编码的方法可自行百度，根据不同的文本编辑器寻找设置方法)

格式化

在python中，采用的格式化方式和c语言是一致的，用%实现
%?表示占位符

在格式化整数和浮点数可以指定是否补0和整数与小数的位数

>>> print('%d-%d' % (301, 102))
301-102
>>> print('%d-%4d' % (301, 102))
301- 102
>>> print('%d-%0d' % (301, 102))
301-102
>>> print('%d-%04d' % (301, 102))
301-0102
>>> print('%.2f' % 68.25152)
68.25

还可以使用format()函数，它会用传入的参数依次替换字符串内的占位符{0}、{1}......，不过比%来的麻烦

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