字符編碼

我們已經(jīng)講過(guò)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(gè)編碼問(wèn)題。

因?yàn)橛?jì)算機(jī)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(jì)算機(jī)在設(shè)計(jì)時(shí)采用8個(gè)比特（bit）作為一個(gè)字節(jié)（byte），所以，一個(gè)字節(jié)能表示的最大的整數(shù)就是255（二進(jìn)制11111111=十進(jìn)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(gè)字節(jié)可以表示的最大整數(shù)是65535，4個(gè)字節(jié)可以表示的最大整數(shù)是4294967295。

由于計(jì)算機(jī)是美國(guó)人發(fā)明的，因此，最早只有127個(gè)字母被編碼到計(jì)算機(jī)里，也就是大小寫(xiě)英文字母、數(shù)字和一些符號(hào)，這個(gè)編碼表被稱為ASCII編碼，比如大寫(xiě)字母A的編碼是65，小寫(xiě)字母z的編碼是122。

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

你可以想得到的是，全世界有上百種語(yǔ)言，日本把日文編到Shift_JIS里，韓國(guó)把韓文編到Euc-kr里，各國(guó)有各國(guó)的標(biāo)準(zhǔn)，就會(huì)不可避免地出現(xiàn)沖突，結(jié)果就是，在多語(yǔ)言混合的文本中，顯示出來(lái)會(huì)有亂碼。

char-encoding-problem

因此，Unicode應(yīng)運(yùn)而生。Unicode把所有語(yǔ)言都統(tǒng)一到一套編碼里，這樣就不會(huì)再有亂碼問(wèn)題了。

Unicode標(biāo)準(zhǔn)也在不斷發(fā)展，但最常用的是用兩個(gè)字節(jié)表示一個(gè)字符（如果要用到非常偏僻的字符，就需要4個(gè)字節(jié)）?，F(xiàn)代操作系統(tǒng)和大多數(shù)編程語(yǔ)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(gè)字節(jié)，而Unicode編碼通常是2個(gè)字節(jié)。

字母A用ASCII編碼是十進(jìn)制的65，二進(jìn)制的01000001；

字符0用ASCII編碼是十進(jìn)制的48，二進(jìn)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(jìn)制的20013，二進(jìn)制的01001110 00101101。

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

新的問(wèn)題又出現(xiàn)了：如果統(tǒng)一成Unicode編碼，亂碼問(wèn)題從此消失了。但是，如果你寫(xiě)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(chǔ)空間，在存儲(chǔ)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(zhǎng)編碼”的UTF-8編碼。UTF-8編碼把一個(gè)Unicode字符根據(jù)不同的數(shù)字大小編碼成1-6個(gè)字節(jié)，常用的英文字母被編碼成1個(gè)字節(jié)，漢字通常是3個(gè)字節(jié)，只有很生僻的字符才會(huì)被編碼成4-6個(gè)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：
字符 ASCII Unicode UTF-8
A 01000001 00000000 01000001 01000001
中 x 01001110 00101101 11100100 10111000 10101101

從上面的表格還可以發(fā)現(xiàn)，UTF-8編碼有一個(gè)額外的好處，就是ASCII編碼實(shí)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(guān)系，我們就可以總結(jié)一下現(xiàn)在計(jì)算機(jī)系統(tǒng)通用的字符編碼工作方式：

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

用記事本編輯的時(shí)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(shí)候再把Unicode轉(zhuǎn)換為UTF-8保存到文件：

瀏覽網(wǎng)頁(yè)的時(shí)候，服務(wù)器會(huì)把動(dòng)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(yè)的源碼上會(huì)有類似<meta charset="UTF-8" />的信息，表示該網(wǎng)頁(yè)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(wèn)題后，我們?cè)賮?lái)研究Python對(duì)Unicode的支持。

因?yàn)镻ython的誕生比Unicode標(biāo)準(zhǔn)發(fā)布的時(shí)間還要早，所以最早的Python只支持ASCII編碼，普通的字符串'ABC'在Python內(nèi)部都是ASCII編碼的。Python提供了ord()和chr()函數(shù)，可以把字母和對(duì)應(yīng)的數(shù)字相互轉(zhuǎn)換：

>>> ord('A')
65
>>> chr(65)
'A'

Python在后來(lái)添加了對(duì)Unicode的支持，以Unicode表示的字符串用u'...'表示，比如：

>>> print u'中文'
中文
>>> u'中'
u'\u4e2d'

寫(xiě)u'中'和u'\u4e2d'是一樣的，\u后面是十六進(jìn)制的Unicode碼。因此，u'A'和u'\u0041'也是一樣的。

兩種字符串如何相互轉(zhuǎn)換？字符串'xxx'雖然是ASCII編碼，但也可以看成是UTF-8編碼，而u'xxx'則只能是Unicode編碼。

把u'xxx'轉(zhuǎn)換為UTF-8編碼的'xxx'用encode('utf-8')方法：

>>> u'ABC'.encode('utf-8')
'ABC'
>>> u'中文'.encode('utf-8')
'\xe4\xb8\xad\xe6\x96\x87'

英文字符轉(zhuǎn)換后表示的UTF-8的值和Unicode值相等（但占用的存儲(chǔ)空間不同），而中文字符轉(zhuǎn)換后1個(gè)Unicode字符將變?yōu)?個(gè)UTF-8字符，你看到的\xe4就是其中一個(gè)字節(jié)，因?yàn)樗闹凳?28，沒(méi)有對(duì)應(yīng)的字母可以顯示，所以以十六進(jìn)制顯示字節(jié)的數(shù)值。len()函數(shù)可以返回字符串的長(zhǎng)度：

>>> len(u'ABC')
3
>>> len('ABC')
3
>>> len(u'中文')
2
>>> len('\xe4\xb8\xad\xe6\x96\x87')
6

反過(guò)來(lái)，把UTF-8編碼表示的字符串'xxx'轉(zhuǎn)換為Unicode字符串u'xxx'用decode('utf-8')方法：

>>> 'abc'.decode('utf-8')
u'abc'
>>> '\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
u'\u4e2d\u6587'
>>> print '\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
中文

由于Python源代碼也是一個(gè)文本文件，所以，當(dāng)你的源代碼中包含中文的時(shí)候，在保存源代碼時(shí)，就需要?jiǎng)?wù)必指定保存為UTF-8編碼。當(dāng)Python解釋器讀取源代碼時(shí)，為了讓它按UTF-8編碼讀取，我們通常在文件開(kāi)頭寫(xiě)上這兩行：

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

第一行注釋是為了告訴Linux/OS X系統(tǒng)，這是一個(gè)Python可執(zhí)行程序，Windows系統(tǒng)會(huì)忽略這個(gè)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(xiě)的中文輸出可能會(huì)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Notepad++正在使用UTF-8 without BOM編碼：
如果你使用Notepad++進(jìn)行編輯，除了要加上# -*- coding: utf-8 -*-外，中文字符串必須是Unicode字符串：

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Notepad++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(kāi)命令提示符測(cè)試就可以正常顯示中文：

格式化

最后一個(gè)常見(jiàn)的問(wèn)題是如何輸出格式化的字符串。我們經(jīng)常會(huì)輸出類似'親愛(ài)的xxx你好！你xx月的話費(fèi)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(jiǎn)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(yǔ)言是一致的，用%實(shí)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(yùn)算符就是用來(lái)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(gè)%?占位符，后面就跟幾個(gè)變量或者值，順序要對(duì)應(yīng)好。如果只有一個(gè)%?，括號(hào)可以省略。

常見(jiàn)的占位符有：

• %d 整數(shù)
• %f 浮點(diǎn)數(shù)
• %s 字符串
• %x 十六進(jìn)制整數(shù)

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

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

如果你不太確定應(yīng)該用什么，%s永遠(yuǎn)起作用，它會(huì)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'

對(duì)于Unicode字符串，用法完全一樣，但最好確保替換的字符串也是Unicode字符串：

>>> u'Hi, %s' % u'Michael'
u'Hi, Michael'

有些時(shí)候，字符串里面的%是一個(gè)普通字符怎么辦？這個(gè)時(shí)候就需要轉(zhuǎn)義，用%%來(lái)表示一個(gè)%：

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

小結(jié)

由于歷史遺留問(wèn)題，Python 2.x版本雖然支持Unicode，但在語(yǔ)法上需要'xxx'和u'xxx'兩種字符串表示方式。

Python當(dāng)然也支持其他編碼方式，比如把Unicode編碼成GB2312：

>>> u'中文'.encode('gb2312')
'\xd6\xd0\xce\xc4'

但這種方式純屬自找麻煩，如果沒(méi)有特殊業(yè)務(wù)要求，請(qǐng)牢記僅使用Unicode和UTF-8這兩種編碼方式。

在Python 3.x版本中，把'xxx'和u'xxx'統(tǒng)一成Unicode編碼，即寫(xiě)不寫(xiě)前綴u都是一樣的，而以字節(jié)形式表示的字符串則必須加上b前綴：b'xxx'。

格式化字符串的時(shí)候，可以用Python的交互式命令行測(cè)試，方便快捷。