闲话Python编程-字符串

  1. 四种表达方式  

        一句话，一篇文章，在编程语言里怎么表达？我们用字符串来表达：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
 
 
def main():
    s1 = 'Hello world!'
    s2 = "Hello world!"
    s3 = '''Hello world!'''
    s4 = """Hello world!"""
    print(s1)
    print(s2)
    print(s3)
    print(s4)
 
 
if __name__ == '__main__':
    main()

        结果将在屏幕上打印一行：Hello world!

        这四种表达方式有什么区别？

        ‘’和“”一样，可以表达单行字符串。看看如下表达：

    s5 = 'The is a "'
    s6 = "The is a '"
    print(s5)
    print(s6)

        再看如下表达：

    s7 = 'The is a \''
    s8 = "The is a \""
    print(s7)
    print(s8)

        最后看多行的表达情况：

def test4():
    s1 = '''
    The first wealth is health, 
    Believe in yourself!
    '''
    print(s1)
 
    s2 = """
    健康是人生第一财富,
    相信你自己!
    """
    print(s2)

2. 存储和编码        

        如果字符串里的字符一直是英语就简单了，可是国家这么多，语言也就注定不会少，字符串是怎么存储的？这要从计算机最基础的存储知识讲起，又不能太细节，总之字符知识没我们看字符串表面那么简单。

        最小存储单元叫位，Bit, 也直译为比特，取值[0, 1], 好像开关一样，也叫二进制，还记得《三体》里秦始皇搞计算的场景吧。

        其次的存储单元叫字节Byte,  1Byte = 8Bit, 一个字节由8位来组成。1个字节的取值范围是【0， 2^8 - 1】，也就是[0, 255]，共256种取值。

        我们说字符串由多个字符组成，字符包括字母、数字、符号和汉字等。1个字符在存储上占用多少个字节呢？这个问题有点复杂。

        反正计算机底层只会存储0和1这样的Bit，1个字节8位，取值就是256种。

        用1个字节来表达1个字符怎么样？计算机首先是欧美人发明的，他们就是怎么干的，到底字母A用多少数字表达，需要一个统一的标准，美国人就搞了一个标准：ASCII (American Standard Code for Information Interchange)：美国信息交换标准代码，所以英文中的字母、数字和符号的表达和存储问题就解决了。

        后来计算机推广到其它国家，碰到了不同语言文字，比如中文、日文、韩文等等，ASCII就不够用了，于是各种编码标准就诞生了：GB2312、Unicode、UTF-8、UTF-16、UTF-32等。

        记得二十年前我们编程时还喜欢用GB2312,  现在基本只用Unicode和UTF-8，当然这种讲法也不严谨，不过在Python3里，大家通常简单讲法就是：

        1）在内存中采用Unicode编码来存储字符串。

        2）在代码文件里采用UTF-8编码来存储字符串。

        实际上Unicode只是一个字符集，它只规定了各个字符所对应的二进制数，并没有规定在计算机中如何存储以及传输的问题。

        在Unicode字符集下，具体的字符编码又细分为：

        1）UCS： Unicode的定长字符编码，包括UCS2和UCS4。

        2）UTF：Unicode的变长字符编码， 包括UTF-8, UTF-16和UTF-32。

        Unicode当前默认的版本是UCS-2，UCS-2 编码 与 Unicode码 完全一样。

        两个问题：

        1）为什么代码文件里内容要采用UTF-8编码？

        2）为什么内存中的字符串要采用UCS2编码？

        来一点测试代码，让我们感性认识一下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
 
 
def test():
    s1 = 'abc123'
    b1 = s1.encode('UTF-8')
    print(s1)
    print(len(s1), type(s1))
    print(b1)
    print(len(b1), type(b1))
 
    s2 = '我是中国人ab12'
    b2 = s2.encode('UTF-8')
    print(s2)
    print(len(s2), type(s2))
    print(b2)
    print(len(b2), type(b2))
 
 
def main():
    test()
 
 
if __name__ == '__main__':
    main()

           运行结果如下：

abc123
6
b'abc123'
6
我是中国人ab12
9
b'\xe6\x88\x91\xe6\x98\xaf\xe4\xb8\xad\xe5\x9b\xbd\xe4\xba\xbaab12'
19

        如上图所示，在UTF-8编码里，英文字母和数字占一个字节，而一个中文汉字占3个字节。注意，对Unicode编码的字符串求长度，输出的是多少个字符，而不是内存中的字节数。

        字符串的知识点很多，我们在后面的章节还要讲解，这里暂且到此为止。