Python学习日记-字符串

本章目录

• Part One：字符编码
• Part Two：字符串
• Part Three：字符串格式化

---

字符串可以说是所有变成语言中应用最广泛的数据类型，Python也不例外。而处理字符串，首先需要注意的就是编码问题。

字符编码

计算机的本质其实就是由0和1组成的，所以说无论是中文还是英文字符串，最终都要转换为数字。
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，用来把中文编进去。
后来呢，为了处理更多的语言，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。
Python2.x系列就是用的ASCII编码，而Python3.x就开始使用unicode了，这样中文显示问题就有了很大的改善。这里打印了一下windows下Python3.6的各种编码：

Python编码.png

可以看到，基本统一为了utf-8。那么什么是utf-8呢？utf-8其实是一个可变长编码。它把一个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。
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：

image.png

字符串

字符串就是用单引号(')或者双引号("")包裹起来的文字，在Python风格规范里推荐一个模块使用一种符号作为字符串表示。在字符串内可以使用另外一种引号, 以避免在字符串中使用。
例如：

print('Why are you hiding your eyes?')
print("I'm scared of lint errors.")
print('"Good!" thought a happy Python reviewer.')

结果为：

String.png

所以说，除非想在字符串内包含单引号或者双引号，每一个Python文件最好使用同一种符号。
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和chr.png

如果知道字符的整数编码，还可以用十六进制这么写str（unicode方式）：

uniode中文.png

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：

var = 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：

encode.png

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。
反过来，从bytes到str可以用decode方法，原理和操作都是一样的，不再赘述了。
最后，可以看下len方法，len是length的缩写，翻译过来就是计算str或者bytes的字符字节数，例如：

len.png

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。
还有其它一些常用的方法，如spli（分割）， join（拼接），replace（替换），upper（大写），lower（小写），strip（去除两端空格），lstrip（去除左端空格），rstrip（去除右端空格）等，用法都比较简单，可参考源码调用即可。

字符串格式化

1. 字符串格式化就是在指定位置先放一个占位符，然后用变量来替换，这样就可以以相同的格式输出不同的内容。
   最简单的案例如下图所示：

   
   
   

   字符串格式化.png
   
   

   其中，占位符常用的有：

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

还有很多其它占位符，不太常用，需要的时候再去查就好了。
另外，如果不确定，可以使用字符串占位符，因为其它类型都转化为字符串。

2. 有种说法是%号的方式已经过时了，用format方法来操作字符串格式化更合适。
   相对来说，个人还是喜欢format形式多一些，感觉更规范。
   format形式的基础用法就是用{0}，{1}...来代替站位符，如果用{}代表使用默认顺序，例如：

   
   
   

   format格式化.png
   
   

   另外，还有一些比较详细的用法：

   
   
   

   format格式化进阶.png