我們已經(jīng)講過了，字符串也是一種數(shù)據(jù)類型，但是，字符串比較特殊的是還有一個編碼問題。

因為計算機只能處理數(shù)字，如果要處理文本，就必須先把文本轉(zhuǎn)換為數(shù)字才能處理。最早的計算機在設計時采用8個比特（bit）作為一個字節(jié)（byte），所以，一個字節(jié)能表示的最大的整數(shù)就是255（二進制11111111=十進制255），如果要表示更大的整數(shù)，就必須用更多的字節(jié)。比如兩個字節(jié)可以表示的最大整數(shù)是65535，4個字節(jié)可以表示的最大整數(shù)是4294967295。

由于計算機是美國人發(fā)明的，因此，最早只有127個字符被編碼到計算機里，也就是大小寫英文字母、數(shù)字和一些符號，這個編碼表被稱為ASCII編碼，比如大寫字母A的編碼是65，小寫字母z的編碼是122。

但是要處理中文顯然一個字節(jié)是不夠的，至少需要兩個字節(jié)，而且還不能和ASCII編碼沖突，所以，中國制定了GB2312編碼，用來把中文編進去。

你可以想得到的是，全世界有上百種語言，日本把日文編到Shift_JIS里，韓國把韓文編到Euc-kr里，各國有各國的標準，就會不可避免地出現(xiàn)沖突，結(jié)果就是，在多語言混合的文本中，顯示出來會有亂碼。

因此，Unicode字符集應運而生。Unicode把所有語言都統(tǒng)一到一套編碼里，這樣就不會再有亂碼問題了。

Unicode標準也在不斷發(fā)展，但最常用的是UCS-16編碼，用兩個字節(jié)表示一個字符（如果要用到非常偏僻的字符，就需要4個字節(jié)）?，F(xiàn)代操作系統(tǒng)和大多數(shù)編程語言都直接支持Unicode。

現(xiàn)在，捋一捋ASCII編碼和Unicode編碼的區(qū)別：ASCII編碼是1個字節(jié)，而Unicode編碼通常是2個字節(jié)。

字母A用ASCII編碼是十進制的65，二進制的01000001；

字符0用ASCII編碼是十進制的48，二進制的00110000，注意字符'0'和整數(shù)0是不同的；

漢字中已經(jīng)超出了ASCII編碼的范圍，用Unicode編碼是十進制的20013，二進制的01001110 00101101。

你可以猜測，如果把ASCII編碼的A用Unicode編碼，只需要在前面補0就可以，因此，A的Unicode編碼是00000000 01000001。

新的問題又出現(xiàn)了：如果統(tǒng)一成Unicode編碼，亂碼問題從此消失了。但是，如果你寫的文本基本上全部是英文的話，用Unicode編碼比ASCII編碼需要多一倍的存儲空間，在存儲和傳輸上就十分不劃算。

所以，本著節(jié)約的精神，又出現(xiàn)了把Unicode編碼轉(zhuǎn)化為“可變長編碼”的UTF-8編碼。UTF-8編碼把一個Unicode字符根據(jù)不同的數(shù)字大小編碼成1-6個字節(jié)，常用的英文字母被編碼成1個字節(jié)，漢字通常是3個字節(jié)，只有很生僻的字符才會被編碼成4-6個字節(jié)。如果你要傳輸?shù)奈谋景罅坑⑽淖址?，用UTF-8編碼就能節(jié)省空間：

從上面的表格還可以發(fā)現(xiàn)，UTF-8編碼有一個額外的好處，就是ASCII編碼實際上可以被看成是UTF-8編碼的一部分，所以，大量只支持ASCII編碼的歷史遺留軟件可以在UTF-8編碼下繼續(xù)工作。

搞清楚了ASCII、Unicode和UTF-8的關系，我們就可以總結(jié)一下現(xiàn)在計算機系統(tǒng)通用的字符編碼工作方式：

在計算機內(nèi)存中，統(tǒng)一使用Unicode編碼，當需要保存到硬盤或者需要傳輸?shù)臅r候，就轉(zhuǎn)換為UTF-8編碼。

用記事本編輯的時候，從文件讀取的UTF-8字符被轉(zhuǎn)換為Unicode字符到內(nèi)存里，編輯完成后，保存的時候再把Unicode轉(zhuǎn)換為UTF-8保存到文件：

瀏覽網(wǎng)頁的時候，服務器會把動態(tài)生成的Unicode內(nèi)容轉(zhuǎn)換為UTF-8再傳輸?shù)綖g覽器：

所以你看到很多網(wǎng)頁的源碼上會有類似<meta charset="UTF-8" />的信息，表示該網(wǎng)頁正是用的UTF-8編碼。

Python的字符串

搞清楚了令人頭疼的字符編碼問題后，我們再來研究Python的字符串。

在最新的Python 3版本中，字符串是以Unicode編碼的，也就是說，Python的字符串支持多語言，例如：

>>> print('包含中文的str')

包含中文的str

對于單個字符的編碼，Python提供了ord()函數(shù)獲取字符的整數(shù)表示，chr()函數(shù)把編碼轉(zhuǎn)換為對應的字符：

>>> ord('A')65

>>> ord('中')20013

>>> chr(66)'B'

>>> chr(25991)'文'

如果知道字符的整數(shù)編碼，還可以用十六進制這么寫str：

>>> '\u4e2d\u6587

''中文'

兩種寫法完全是等價的。

由于Python的字符串類型是str，在內(nèi)存中以Unicode表示，一個字符對應若干個字節(jié)。如果要在網(wǎng)絡上傳輸，或者保存到磁盤上，就需要把str變?yōu)橐宰止?jié)為單位的bytes。

Python對bytes類型的數(shù)據(jù)用帶b前綴的單引號或雙引號表示：

x = b'ABC'

要注意區(qū)分'ABC'和b'ABC'，前者是str，后者雖然內(nèi)容顯示得和前者一樣，但bytes的每個字符都只占用一個字節(jié)。

以Unicode表示的str通過encode()方法可以編碼為指定的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)

純英文的str可以用ASCII編碼為bytes，內(nèi)容是一樣的，含有中文的str可以用UTF-8編碼為bytes。含有中文的str無法用ASCII編碼，因為中文編碼的范圍超過了ASCII編碼的范圍，Python會報錯。

在bytes中，無法顯示為ASCII字符的字節(jié)，用\x##顯示。

反過來，如果我們從網(wǎng)絡或磁盤上讀取了字節(jié)流，那么讀到的數(shù)據(jù)就是bytes。要把bytes變?yōu)?code>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中包含無法解碼的字節(jié)，decode()方法會報錯：

>>> 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

如果bytes中只有一小部分無效的字節(jié)，可以傳入errors='ignore'忽略錯誤的字節(jié)：

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

'中'

要計算str包含多少個字符，可以用len()函數(shù)：

>>> len('ABC')3

>>> len('中文')2

len()函數(shù)計算的是str的字符數(shù)，如果換成bytes，len()函數(shù)就計算字節(jié)數(shù)：

>>> len(b'ABC')3

>>> len(b'\xe4\xb8\xad\xe6\x96\x87')6

>>> len('中文'.encode('utf-8'))6

可見，1個中文字符經(jīng)過UTF-8編碼后通常會占用3個字節(jié)，而1個英文字符只占用1個字節(jié)。

在操作字符串時，我們經(jīng)常遇到str和bytes的互相轉(zhuǎn)換。為了避免亂碼問題，應當始終堅持使用UTF-8編碼對str和bytes進行轉(zhuǎn)換。

由于Python源代碼也是一個文本文件，所以，當你的源代碼中包含中文的時候，在保存源代碼時，就需要務必指定保存為UTF-8編碼。當Python解釋器讀取源代碼時，為了讓它按UTF-8編碼讀取，我們通常在文件開頭寫上這兩行：

#!/usr/bin/env python3

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

第一行注釋是為了告訴Linux/OS X系統(tǒng)，這是一個Python可執(zhí)行程序，Windows系統(tǒng)會忽略這個注釋；

第二行注釋是為了告訴Python解釋器，按照UTF-8編碼讀取源代碼，否則，你在源代碼中寫的中文輸出可能會有亂碼。

申明了UTF-8編碼并不意味著你的.py文件就是UTF-8編碼的，必須并且要確保文本編輯器正在使用UTF-8 without BOM編碼：

如果.py文件本身使用UTF-8編碼，并且也申明了# -*- coding: utf-8 -*-，打開命令提示符測試就可以正常顯示中文：

格式化

最后一個常見的問題是如何輸出格式化的字符串。我們經(jīng)常會輸出類似'親愛的xxx你好！你xx月的話費是xx，余額是xx'之類的字符串，而xxx的內(nèi)容都是根據(jù)變量變化的，所以，需要一種簡便的格式化字符串的方式。

在Python中，采用的格式化方式和C語言是一致的，用%實現(xiàn)，舉例如下：

>>> 'Hello, %s' % 'world''Hello, world'

>>> 'Hi, %s, you have $%d.' % ('Michael', 1000000)

'Hi, Michael, you have $1000000.'

你可能猜到了，%運算符就是用來格式化字符串的。在字符串內(nèi)部，%s表示用字符串替換，%d表示用整數(shù)替換，有幾個%?占位符，后面就跟幾個變量或者值，順序要對應好。如果只有一個%?，括號可以省略。

常見的占位符有：

其中，格式化整數(shù)和浮點數(shù)還可以指定是否補0和整數(shù)與小數(shù)的位數(shù)：

print(‘%2d-%02d’%(3,1))?

print(‘%.2f % 3.1415926)

如果你不太確定應該用什么，%s永遠起作用，它會把任何數(shù)據(jù)類型轉(zhuǎn)換為字符串：

>>> 'Age: %s. Gender: %s' % (25, True)

'Age: 25. Gender: True'

有些時候，字符串里面的%是一個普通字符怎么辦？這個時候就需要轉(zhuǎn)義，用%%來表示一個%：

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

'growth rate: 7 %'

format()

另一種格式化字符串的方法是使用字符串的format()方法，它會用傳入的參數(shù)依次替換字符串內(nèi)的占位符{0}、{1}……，不過這種方式寫起來比%要麻煩得多：

>>> 'Hello, {0}, 成績提升了 {1:.1f}%'.format('小明', 17.125)

'Hello, 小明, 成績提升了 17.1%'

f-string

最后一種格式化字符串的方法是使用以f開頭的字符串，稱之為f-string，它和普通字符串不同之處在于，字符串如果包含{xxx}，就會以對應的變量替換：

>>> r = 2.5>>> s = 3.14 * r ** 2

>>> print(f'The area of a circle with radius {r} is {s:.2f}')

The area of a circle with radius 2.5 is 19.62

上述代碼中，{r}被變量r的值替換，{s:.2f}被變量s的值替換，并且:后面的.2f指定了格式化參數(shù)（即保留兩位小數(shù)），因此，{s:.2f}的替換結(jié)果是19.62。

小結(jié)

Python 3的字符串使用Unicode，直接支持多語言。

當str和bytes互相轉(zhuǎn)換時，需要指定編碼。最常用的編碼是UTF-8。Python當然也支持其他編碼方式，比如把Unicode編碼成GB2312：

>>> '中文'.encode('gb2312')

b'\xd6\xd0\xce\xc4'

但這種方式純屬自找麻煩，如果沒有特殊業(yè)務要求，請牢記僅使用UTF-8編碼。

格式化字符串的時候，可以用Python的交互式環(huán)境測試，方便快捷。