字符编码——python学习

python学习—字符编码

 

例如汉字“中”

十进制：20013

二进制：01001110 00101101(unicode)/11100100 10111000 10101101(utf-8)

十六进制：u4e2d

八进制：

ascii

• ascii编码是1个字节
• 只能编码纯英文
• 节省空间

unicode

• 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；a的unicode编码是00000000 01000001。）
• uicode统一编码，解决编码冲突，乱码问题消失
• 比ascii多一倍的存储空间，存储和传送时不划算（utf-8解决）

utf-8(可变长的unicode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。

字符	ascii	unicode	utf-8
a	01000001	00000000 01000001	01000001
中	x	01001110 00101101	11100100 10111000 10101101

 

• 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：
• ascii编码实际上可以被看成是utf-8编码的一部分，所以，大量只支持ascii编码的历史遗留软件可以在utf-8编码下继续工作。

计算机系统通用的字符编码工作方式

内存：统一unicode编码

硬盘、传输：转换为utf-8

 

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：

 

 

python的字符串

相关函数

• ord()函数获取字符的整数表示（单个字符）参数为要操作的单个字符，返回一个整数。
• chr()函数把编码转换为对应的字符（单个字符）
• encode（）函数，将str字符串以指定的编码方式（参数）变为bytes

'str'.encode（ascii/utf-8）返回bytes字符串

中文以ascii编码会报错

• decode()函数把从网络或磁盘上读取的bytes以指定的编码方式（参数）变为str

'bytes'.decode(ascii/utf-8)返回str字符串

bytes无法解码会报错，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', errors='ignore') '中'

• len()函数，计算字符串包含字符个数

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

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

python的字符串类型是str,如果要在网络上传输，或者保存到磁盘上，就需要把str变为bytes。

>>为了避免乱码问题，应当始终坚持使用utf-8编码对str和bytes进行转换<<

str和bytes的区别

• str一个字符对应若干个字节，但bytes的每个字符都只占用一个字节。（将多字节的字符分解为单字节的多字符）

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

在bytes中，无法显示为ascii字符的字节，用\x##显示。

• bytes字符带前缀，带引号

.py文件中含中文要用utf-8编码

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

第一行注释是为了告诉linux/os x系统，这是一个python可执行程序，windows系统会忽略这个注释；

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。

>>编辑器用utf-8 without bom<<

字符串格式化问题

>>> 'hello, %s' % 'world' 'hello, world' >>> 'hi, %s, you have $%d.' % ('michael', 1000000) 'hi, michael, you have $1000000.'

%运算符

• 就是用来格式化字符串的。在字符串内部有几个%?占位符，后面就跟几个变量或者值，顺序要对应好。如果只有一个%?，括号可以省略。
• 转义，用%%来表示一个%

>>> 'growth rate: %d %%' % 7 'growth rate: 7 %'

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

format()

另一种格式化字符串的方法是使用字符串的format()方法，它会用传入的参数依次替换字符串内的占位符{0}、{1}……，不过这种方式写起来比%要麻烦得多：

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