字符串和编码

Posted 2020-09-09

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。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。这样，各个国家都有自己的编码，所以交互的时候造成了乱码的问题。

因此，Unicode应运而生，把所有的语言统一到一套编码里，这样就不会有乱码问题了。但是，涉及到存储空间一系列问题，又出现了可变长编码UTF-8。

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或需要传输的时候，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。

 

Pyhon的字符串
在Python3中，字符串是以Unicode编码的，也就是说，Python字符串支持多语言。

两个函数
ord() 获取字符的整数表示
chr() 把编码转换成对应的字符

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‘

以Unicode表示的str通过encode()方法可以编码为指定的bytes
‘ABC‘.encode(‘ascii‘)
b‘ABC‘
‘中文‘.encode(‘utf-8‘)
b‘\xe4\xb8\xad\xe6\x96\x87‘

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‘

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。

格式化字符串

>>> ‘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：

%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：

>>> ‘%2d-%02d‘ % (3, 1)
‘ 3-01‘
>>> ‘%.2f‘ % 3.1415926
‘3.14‘
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 %‘

小明的成绩从去年的72分提升到了今年的85分，
请计算小明成绩提升的百分点，
并用字符串格式化显示出‘xx.x%‘，
只保留小数点后1位：

 

1 s1 = 72
2 s2 = 85
3 s = (s2-s1)/s1*100
4 print(‘小明的成绩涨幅为：%.1f%%‘%s)