python字符串与字符编码

字符编码

因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是255（二进制11111111=十进制255），如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是65535，4个字节可以表示的最大整数是4294967295。但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以，中国制定了GB2312编码，用来把中文编进去。加上其他国家也有很多各自的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。于是就出现了Unicode编码，Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。
Unicode标准也在不断发展，但最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）。现代操作系统和大多数编程语言都直接支持Unicode。ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码通常是2个字节。比如字母A用ASCII编码是十进制的65，二进制的01000001；字符0用ASCII编码是十进制的48，二进制的00110000，注意字符'0'和整数0是不同的；汉字 “中” 已经超出了ASCII编码的范围，用Unicode编码是十进制的20013，二进制的01001110 00101101。如果把ASCII编码的A用Unicode编码，只需要在前面补0就可以，因此，A的Unicode编码是00000000 01000001。新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。所以，本着节约的精神，又出现了把Unicode编码转化为“可变长编码”的UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间：

字符“A” 的 ASCII、Unicode、UTF-8 编码依次是：01000001 、
00000000 01000001、01000001
字符“中”的ASCII、Unicode、UTF-8 编码依次是：不能表示 、01001110 00101101 、11100100 10111000 10101101

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。

用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件。

python字符串

python中字符串是以单引号'或双引号"括起来的任意文本，请注意，''或""本身只是一种表示方式，不是字符串的一部分。字符串也是一种数据类型，但是，字符串比较特殊的是还有一个编码问题。在最新的Python 3版本中，字符串是以Unicode编码的，也就是说，Python的字符串支持多语言。
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('中')
20013
>>> chr(66)
'B'
>>> chr(25991)
'文'

如果知道字符的整数编码，还可以用十六进制这么写str：

>>> '\u4e2d\u6587'
'中文'

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。如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes。
Python对bytes类型的数据用带b前缀的单引号或双引号表示：

x = b'ABC'

要注意区分'ABC'和b'ABC'，前者是str，后者虽然内容显示得和前者一样，但bytes的每个字符都只占用一个字节。
以Unicode表示的str通过encode()方法可以编码为指定的bytes，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)

纯英文的str可以用ASCII编码为bytes，内容是一样的，含有中文的str可以用UTF-8编码为bytes。含有中文的str无法用ASCII编码，因为中文编码的范围超过了ASCII编码的范围，Python会报错。
在bytes中，无法显示为ASCII字符的字节，用\x##显示。
反过来，如果我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。要把bytes变为str，就需要用decode()方法：

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

如果bytes中包含无法解码的字节，decode()方法会报错，如果bytes中只有一小部分无效的字节，可以传入errors='ignore'忽略错误的字节：

>>> 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

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

由于Python源代码也是一个文本文件，所以，当你的源代码中包含中文的时候，在保存源代码时，就需要务必指定保存为UTF-8编码。当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上注释，告诉Python解释器，按照UTF-8编码读取源代码：

#-*- coding: utf-8 -*-

以上内容参考引用自：https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001431664106267f12e9bef7ee14cf6a8776a479bdec9b9000

python字符串运算符操作

a = "hello!"
b = "世界!"

#1、根据下标获取特定位置字符
print(a[0])  #获取 a 的第一个字符，结果h
#2、字符串拼接
c = a+b
d = a*3
print(c)  #结果 hello！世界！
print(d)  #结果 hello!hello!hello!
#3、切片
e = a[1:3]  #获取a 中 第二到第三个字符，切片操作中执行左闭右开原则，这里即包含1，但不包括3
print(e)   #结果 el
f = d[1:8:2] #切片操作可以加入步长，这里的2 就是步长，表示获取d 的2到8位中的偶数位字符
print(f)  #结果el!e
#4、成员检测
print("i" in d)  #结果 Flase
print("i" not in d) #结果True
#5  在字符串前加上 r/R 所有的字符串都是直接按照字面的意思来使用,没有转义特殊或不能打印的字符。
print(r"\n") #输出\n，不是换行

python字符串格式化

Python 支持格式化字符串的输出，最基本的用法是将一个值插入到一个有字符串格式符 %s 的字符串中。

#基本用法
print ("我叫%s今年%d岁!" % ('小明', 10))  #结果我叫小明今年10岁!
#浮点数格式化
print ("保留两位小数：%.2f" % (1.2345))  #结果保留两位小数：1.23
#python3还提供一种格式化输出方式 用format函数
print("我叫{0}今年{1}岁!身高{2:.2f}米".format("小明",16,1.72345) ) #结果我叫小明今年16岁!身高1.72米

python字符串内建方法