注：本篇博客是学习廖雪峰老师网站的摘抄，是为了方便以后的学习。
如有侵权，请联系删除！
联系邮箱：1103540209@qq.com
文章目录
- 1.字符编码
- 2.Python的字符串
- 3.格式化
- format()
- 4.小结
- 5.参考
1.字符编码
我们已经讲过了，字符串也是一种数据类型，但是，字符串比较特殊的是还有一个编码问题。
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），所以，一个字节能表示的最大的整数就是255（二进制11111111=十进制255），如果要表示更大的整数，就必须用更多的字节。比如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
。
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，比如大写字母
A
的编码是
65
，小写字母
z
的编码是
122
。
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。
你可以想得到的是，全世界有上百种语言，日本把日文编到
Shift_JIS
里，韩国把韩文编到
Euc-kr
里，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。
因此，Unicode应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。
Unicode标准也在不断发展，但最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）。现代操作系统和大多数编程语言都直接支持Unicode。
现在，捋一捋ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码通常是2个字节。
字母
A
用ASCII编码是十进制的
65
，二进制的
01000001
；
字符
0
用ASCII编码是十进制的
48
，二进制的
00110000
，注意字符
'0'
和整数
0
是不同的；
汉字
中
已经超出了ASCII编码的范围，用Unicode编码是十进制的
20013
，二进制的
01001110 00101101
。
你可以猜测，如果把ASCII编码的
A
用Unicode编码，只需要在前面补0就可以，因此，
A
的Unicode编码是
00000000 01000001
。
新的问题又出现了：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。
所以，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：
| 字符 | ASCII | Unicode | UTF-8 |
|---|---|---|---|
| A | 01000001 | 00000000 01000001 | 01000001 |
| 中 | x | 01001110 00101101 | 11100100 10111000 10101101 |
从上面的表格还可以发现，UTF-8编码有一个额外的好处，就是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。
搞清楚了ASCII、Unicode和UTF-8的关系，我们就可以总结一下现在计算机系统通用的字符编码工作方式：
-
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。
-
用记事本编辑的时候，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。
-
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。
2.Python的字符串
搞清楚了令人头疼的字符编码问题后，我们再来研究Python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，例如：
>>
>
print
(
'包含中文的str'
)
包含中文的
str
对于单个字符的编码，Python提供了
ord()
函数获取字符的整数表示，
chr()
函数把编码转换为对应的字符：
>>
>
ord
(
'A'
)
65
>>
>
ord
(
'中'
)
20013
>>
>
chr
(
66
)
'B'
>>
>
chr
(
25991
)
'文'
如果知道字符的整数编码，还可以用十六进制这么写
str
：
>>
>
'\u4e2d\u6587'
'中文'
两种写法完全是等价的。
由于Python的字符串类型是
str
，在内存中以Unicode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'
要注意区分
'ABC'
和
b'ABC'
，前者是
str
，后者虽然内容显示得和前者一样，但
bytes
的每个字符都只占用一个字节。
**以Unicode表示的
str
通过
encode()
方法可以编码为指定的
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
"
"
,
line
1
,
in
<
module
>
UnicodeEncodeError
:
'ascii'
codec can't encode characters
in
position
0
-
1
:
ordinal
not
in
range
(
128
)
纯英文的
str
可以用
ASCII
编码为
bytes
，内容是一样的，含有中文的
str
可以用
UTF-8
编码为
bytes
。含有中文的
str
无法用
ASCII
编码，因为中文编码的范围超过了
ASCII
编码的范围，Python会报错。
在
bytes
中，无法显示为ASCII字符的字节，用
\x##
显示。
反过来，如果我们从网络或磁盘上读取了字节流，那么读到的数据就是
bytes
。要把
bytes
变为
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
中包含无法解码的字节，
decode()
方法会报错：
>>
>
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'
要计算
str
包含多少个字符，可以用
len()
函数：
>>
>
len
(
'ABC'
)
3
>>
>
len
(
'中文'
)
2
len()
函数计算的是
str
的字符数，如果换成
bytes
，
len()
函数就计算字节数：
>>
>
len
(
b
'ABC'
)
3
>>
>
len
(
b
'\xe4\xb8\xad\xe6\x96\x87'
)
6
>>
>
len
(
'中文'
.
encode
(
'utf-8'
)
)
6
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。
在操作字符串时，我们经常遇到
str
和
bytes
的互相转换。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。
由于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 -*-
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。
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：
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.格式化
最后一个常见的问题是如何输出格式化的字符串。我们经常会输出类似
'亲爱的xxx你好！你xx月的话费是xx，余额是xx'
之类的字符串，而xxx的内容都是根据变量变化的，所以，需要一种简便的格式化字符串的方式。
在Python中，采用的格式化方式和C语言是一致的，用
%
实现，举例如下：
>>
>
'Hello, %s'
%
'world'
'Hello, world'
>>
>
'Hi, %s, you have $%d.'
%
(
'Michael'
,
1000000
)
'Hi, Michael, you have $1000000.'
你可能猜到了，
%
运算符就是用来格式化字符串的。在字符串内部，
%s
表示用字符串替换，
%d
表示用整数替换，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。
常见的占位符有：
| 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 |
其中，格式化整数和浮点数还可以指定是否补0和整数与小数的位数：
# -*- coding: utf-8 -*-
print
(
'%2d-%02d'
%
(
3
,
1
)
)
print
(
'%.2f'
%
3.1415926
)
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：
>>> 'Age: %s. Gender: %s' % (25, True)
'Age: 25. Gender: True'
有些时候，字符串里面的
%
是一个普通字符怎么办？这个时候就需要转义，用
%%
来表示一个
%
：
>>
>
'growth rate: %d %%'
%
7
'growth rate: 7 %'
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%'
4.小结
Python 3的字符串使用Unicode，直接支持多语言。
当
str
和
bytes
互相转换时，需要指定编码。最常用的编码是
UTF-8
。Python当然也支持其他编码方式，比如把Unicode编码成
GB2312
：
>>
>
'中文'
.
encode
(
'gb2312'
)
b
'\xd6\xd0\xce\xc4'
但这种方式纯属自找麻烦，如果没有特殊业务要求，请牢记仅使用
UTF-8
编码。
格式化字符串的时候，可以用Python的交互式环境测试，方便快捷。
5.参考
https://www.liaoxuefeng.com/wiki/1016959663602400/101707532363289
