字符串和编码那些事

一、字符编码

1. ASCII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）

由于计算机是美国人发明的，因此，最早只有127个字符被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码

• 一个字节能表示的最大的整数就是255
• 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。

各国有各国的标准，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。

2. Unicode编码

ASCII编码是1个字节，而Unicode编码通常是2个字节。

###2.1 新的问题

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。

3. UTF-8编码

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

4. 现在整理一下字符编码的工作模式

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。

4.1 文本文件

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：

4.2 网页浏览器

浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器：

所以你看到很多网页的源码上会有类似的信息，表示该网页正是用的UTF-8编码。

---

二、Python中的字符串

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

• ord（）函数
  用于获取字符对应的整数

• chr（）函数
  把编码转换为对应的字符

2.1 python中的字符串类型是str，在内存中以Unicode来表示。

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'
1

bytes的每个字符都只占用一个字节

2.2 来尝试一线年轻人的第一个encode编码

encode()方法可以编码为指定的bytes,注意格式的学习

• encode编码，将字符串输出为bytes数据类型
• decode解码，将bytes数据类型输出为字符串

在bytes中，无法显示为ASCII字符的字节，用\x##显示。

2.3 其他函数

• len函数

用于计算str中有多少个字符，换成bytes，计算的是字节数。

可见，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。

---

三、注意事项

3.1 保存文件的时候

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这两行:

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
1
2

第二行注释是为了告诉Python解释器，按照UTF-8编码读取源代码，否则，你在源代码中写的中文输出可能会有乱码。

3.2 在文本编辑器中声明编码模式

申明了UTF-8编码并不意味着你的.py文件就是UTF-8编码的，必须并且要确保文本编辑器正在使用UTF-8 without BOM编码

3.3 编码错误的后果

一个是编码过程中的编码格式，一个是从文件中读数据的编码模式，两者模式最好是一致的。否则可能会存在乱码的问题。

如果.py文件本身使用UTF-8编码，并且也申明了# -- coding: utf-8 --，打开命令提示符测试就可以正常显示中文：

3.4 输出格式化后的字符串

使用%格式化字符串

占位符	替换内容
%d	整数
%f	浮点数
%s	字符串
%x	十六进制整数
1
2
3
4
5

如果你不太确定应该用什么，%s永远起作用，它会把任何数据类型转换为字符串

3.5 format方法

3.6 f-string方法