欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

python bytes和bytearray、编码和解码

程序员文章站 2022-05-02 23:45:33
str、bytes和bytearray简介 str是字符数据,bytes和bytearray是字节数据。它们都是序列,可以进行迭代遍历。str和bytes是不可变序列,bytearray是可变序列,可以原处修改字节。 bytes和bytearray都能使用str类型的通用函数,比如find()、re ......

str、bytes和bytearray简介

str是字符数据,bytes和bytearray是字节数据。它们都是序列,可以进行迭代遍历。str和bytes是不可变序列,bytearray是可变序列,可以原处修改字节。

bytes和bytearray都能使用str类型的通用函数,比如find()、replace()、islower()等,不能用的是str的格式化操作。所以,如有需要,参考来获取这些函数的使用方法。

str

str将各个字符组合在一起,以一种不可变序列进行存储。但是在底层它还是一个个的二进制数,是由一个个的字节组成的(也就是byte),只不过python根据指定的字符集编码"强行"将字节序列显示为字符。

python 3.x中默认str是unicode格式编码的,例如utf-8字符集。

>>> import sys
>>> sys.getdefaultencoding()
'utf-8'

unicode编码的str,意味着能够直接存储除ascii码外的很多字符,比如中文,比如欧洲的重音符号。还意味着可以将一个unicode字符存储为多个字节,并将连续多个的字节翻译成单个对应的字符。

>>> a = "我"
>>> a
'我'

>>> ord(a)
25105

>>> a.encode()
b'\xe6\x88\x91'

根据指定字符集,底层的字节序列和字符序列间的转换过程完全无需人为的参与,python已经做好了一切。

bytes

bytes是不可变的二进制格式字节数据(注意,是字节不是字符),以整数方式表示。例如对于ascii范围内的字符"a",它存储为97。

要构造bytes类型的数据,方法之一是在字符串前面加上b或b前缀。

例如:

>>> b = b"abcd"
>>> [i for i in b]
[97, 98, 99, 100]

>>> b[0] = "a"
traceback (most recent call last):
  file "<stdin>", line 1, in <module>
typeerror: 'bytes' object does not support item assignment

bytes和下面的bytearray都能使用str类型的绝大部分方法。例如find()、replace()等,但用法上可能会有所区别,比如str.replace()的替换参数期待的是字符,而bytes.replace()的替换参数可能是字节。例如:

>>> b'abcd'.replace(b'cd',b'xy')
b'abxy'

bytearray

bytearray是可变的二进制数据(byte)

要构造bytearray对象,方法之一是将bytes数据作为bytearray()方法的参数,或者将str数据和编码作为参数。

例如:

>>> s = b"abcd"
>>> ba = bytearray(s)

>>> [ i for i in ba ]
[97, 98, 99, 100]

>>> ba[0] = 65
>>> ba
bytearray(b'abcd')

unicode字符

单字节的字符(8bit位,共256个字符,ascii只用到了7个字节)能表示出来的字符毕竟有限,例如它没法表示出中文字符。

所以,各国设计了各种多字节的字符编码来表达自己国家的文字,底层仍然使用二进制数存储,然后通过设计好的编码表将二进制数转换成各种字符。比如中国有gbk的各种编码,还有全球通用的编码类型unicode、utf-8、utf-16等。

无论什么编码,内部都包含ascii编码(也有例外,比如utf-16),它只需单个字节。也就是说,ascii编码是任何其它编码表的子集。但有些编码表强制规定每个字符占多少个字节(比如unicode固定为2个字节),有些编码表动态决定每个字符占多少个字节(比如utf-8是变长的,可能占用1-4个字节空间,存储字母为1个字节,存储中文字符为3个字节)。

关于unicode和utf-x格式的编码关系,粗略地可以认为utf-x是unicode格式的一种特殊类型。实际上在存储utf数据时,内部会自动在unicode和utf之间进行转换。

要构建unicode类型,只需加上u或u前缀。

>>> u = u"我爱你"

>>> b = bytes(u,"utf-8")
>>> b
b'\xe6\x88\x91\xe7\x88\xb1\xe4\xbd\xa0'

>>> ba = bytearray(u,"utf-8")
>>> ba
bytearray(b'\xe6\x88\x91\xe7\x88\xb1\xe4\xbd\xa0')

编码和解码

下面一张图搞懂编码、解码、编码表之间的关系。

python bytes和bytearray、编码和解码

不难看出,它们是一种根据编码表进行翻译、映射的过程:

编码:str   --> bytes
解码:bytes --> str

实际上,字符串类型只有encode()方法,没有decode()方法,而bytes类型只有decode()方法而没有encode()方法。

>>> set( dir(str) ) - set( dir(bytes) )
{'encode', ... , 'isidentifier', 'format'}

>>> set( dir(bytes) ) - set( dir(str) )
{'decode', 'hex', 'fromhex'}

二进制格式的数据也常称为裸数据(raw data),所以str数据经过编码后得到raw data,raw data解码后得到的str。

python中的编码、解码

上面说了,编码是将字符数据转换成字节数据(raw data),解码是将字节数据转换成字符数据。在python中字符数据也就是字符串,即str类型,字节数据也就是bytes类型或bytearray类型。

编码时,可以使用字节类型的构造方法bytes()、bytearray()来构造字节,也可以使用str类型的encode()方法来转换

解码时,可以使用str类型的构造方法str()来构造字符串,也可以使用bytes、bytearray()类型的decode()方法

另外需要注意的是,编码和解码的过程中都需要指定编码表(字符集),默认采用的是utf-8字符集。

编码过程

例如,使用encode()的方式将str编码为bytes数据。

>>> str1 = "abcd"
>>> str2 = "我爱你"

# 默认编码
>>> str1.encode()
b'abcd'
>>> str2.encode()
b'\xe6\x88\x91\xe7\x88\xb1\xe4\xbd\xa0'

# 显式指定使用utf-8进行编码
>>> str1.encode("utf-8")
b'abcd'
>>> str2.encode("utf-8")
b'\xe6\x88\x91\xe7\x88\xb1\xe4\xbd\xa0'

# 使用utf-16编码
>>> str1.encode("utf-16")
b'\xff\xfea\x00b\x00c\x00d\x00'
>>> str2.encode("utf-16")
b'\xff\xfe\x11b1r`o'

# 使用gb2312编码
>>> str1.encode("gb2312")
b'abcd'
>>> str2.encode("gb2312")
b'\xce\xd2\xb0\xae\xc4\xe3'

# 使用gbk编码
>>> str1.encode("gbk")
b'abcd'
>>> str2.encode("gbk")
b'\xce\xd2\xb0\xae\xc4\xe3'

使用bytes()和bytearray()将str构造成bytes或bytearray数据,这两个方法都要求str->byte的过程中给定编码。

>>> bytes(str1,encoding="utf-8")
b'abcd'
>>> bytes(str1,encoding="utf-16")
b'\xff\xfea\x00b\x00c\x00d\x00'

>>> bytearray(str1,encoding="utf-8")
bytearray(b'abcd')
>>> bytearray(str2,encoding="utf-8")
bytearray(b'\xe6\x88\x91\xe7\x88\xb1\xe4\xbd\xa0')

实际上,bytes()、bytearray()这两个方法构造字节数据的时候还有点复杂,因为可以从多个数据源来构造,比如字符串、整数值、buffer。如何使用这两个方法构造字节数据,详细内容参考help(bytes)help(bytearray)给出的说明,这里给几个简单示例。

构造bytes的方式:

# 构造空bytes对象
>>> bytes()
b''

# 使用str构造bytes序列,需要指定编码
>>> bytes("abcd",encoding="utf-8")
b'abcd'

# 使用int初始化5个字节的bytes序列
>>> bytes(5)
b'\x00\x00\x00\x00\x00'

# 使用可迭代的int序列构造字节序列
# int值必须为0-256以内的数
>>> bytes([65,66,67])
b'abc'

# 使用bytes或buffer来构造bytes对象
>>> bytes(b'abcd')
b'abcd'

构造bytearray的方式:

# 构造空bytearray对象
>>> bytearray()
bytearray(b'')

# 使用bytes或buffer构造bytearray序列
>>> bytearray(b"abcd")
bytearray(b'abcd')

# 使用str构造bytearray序列,需要指定编码
>>> bytearray("abcd",encoding="utf-8")
bytearray(b'abcd')

# 使用int初始化5个字节的bytearray序列
>>> bytearray(5)
bytearray(b'\x00\x00\x00\x00\x00')

# 使用可迭代的int序列构造bytearray序列
# int值必须为0-256以内的数
>>> bytearray([65,66,67])
bytearray(b'abc')

解码过程

解码是字节序列到str类型的转换。

例如,使用decode()方法进行解码"我"字,它的utf-8的编码对应为"\xe6\x88\x91":

>>> b = b'\xe6\x88\x91'

# 采用默认字符集utf-8
>>> b.decode()
'我'

# 显式指定编码表
>>> b.decode("utf-8")
'我'

使用str()进行转换。

>>> str(b,"utf-8")
'我'

关于乱码

当编码、解码的过程使用了不同的(不兼容的)编码表时,就会出现乱码。所以,解决乱码的唯一方式是指定对应的编码表进行编码、解码。

例如,使用utf-8编码"我"字,得到一个bytes序列,然后使用gbk解码这个bytes序列。

>>> "我".encode().decode("gbk")
traceback (most recent call last):
  file "<stdin>", line 1, in <module>
unicodedecodeerror: 'gbk' codec can't decode byte 0x91 in position 2: incomplete multibyte sequence

这里报错了,因为utf-8的字节序列里有gbk无法解码的字节。如果使用文本编辑器一样的工具去显化这个过程,得到的将是乱码字符。