Python基础（二）字符串和编码
注：本文的Python学习系列是笔者在学习廖雪峰老师的Python教程所记录下的学习笔记，如果想了解更多Python系列的学习资料可以看看 廖雪峰 Python教程
知识回顾：
在上一章的 Python基础（一）数据类型与变量学习了Python 的基本数据类型与逻辑运算符号，比较简单。这一章就一起来复习一下计算机的基础编码格式把…
一，字符编码
背景：
计算机只能处理数字，如果要处理文本，就必须要先把文本转换为数字才能处理。在最早的计算机设计时采用8个比特（bit）作为一个字节，所以一个字节能表示的最大整数就是 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，2个字节能表示的最大整数是65535，4个字节能表示的最大整数是 4294967295
种类与区别：
1，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面去，也就是 ASCII 码。比如大写字母A 是65 ，小写字母z 是122。
（贴出来看看，看不懂也没关系…）
2，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码冲突，所以中国定制了 GB2312编码，用来把中文编进去。
3，你可以想到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。
各国都有自己的标准，就会不可避免的出现冲突。结果就是在多语言的混合文本里面，显示出来会有乱码。
因此，Unicode 因运而生！Unicode把所有语言都统一到一套编码里面，这样就不会出现乱码的问题了。
4，捋一捋ASCII码与Unicode码的区别。
Unicode最常用的是用两个字节表示一个字符，特殊情况下特别偏僻的字符，需要4个字节。现在大多数操作系统与编程语言都支持Unicode码。
ASCII码编码是1个字节，而Unicode码编码通常是2个字节。
列如：
字符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’ 跟整数 0 是不一样的。
汉子’中’ 已经超出了ASCII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码的A用Unicode编码，只需要在前面补0就可以了，因此 A的Unicode码 是00000000 01000001
这样新的问题又来了，如果统一成Unicode码，那么从此乱码问题消失了。但是如果你写的文本基本上都是英文的话，用Unicode编码比ASCII码会多出一倍
的储存空间，那么在储存跟文件传输的过程中就变得十分不划算了。
所以，本着节约资源的精神，又出现把Unicode码转换成“可变长编码”的 UTF-8 编码。UTF-8编码把一个Unicode字符根据不同大小编码成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用 4-6个字节。如果你要传输的文本包含大量的英文字符，用UIF-8 就能节省出很多空间。
| 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码，Unicode码，和UTF-8的关系，我们就可以总结一下现在计算机系统通用编码的工作方式：
1，在计算机内存中，统一使用了Unicode编码，当需要保存硬盘或者需要传输数据的时候，就转换成 UTF-8编码。
2，用记事本编辑的时候，从文件里面被读取的UTF-8字符，被转换成Unicode字符到内存里，编辑完成后，保存的时候在把Unicode转换成UTF-8保存文件。
二，Python字符串
搞清楚了让人头痛的字符编码问题后，一起来研究Python的字符串。
在最新的Python 3版本中，字符是以Unicode编码的，也就是说Python字符串支持多语言。
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() 函数把编码转换成对应的字符
>>>ord('A')
65
>>>ord('中')
20013
>>>chr(66)
'B'
>>>chr(25991)
'文'
由于Python中的字符是 str ，在内存中用Unicode表示，一个字符对应若干字节。如果要在网络上传输，或者保存到磁盘上，就需要把str 变成以字节为单位的 bytes。
Python对 bytes类型的数据用 带b 前缀的单引号或者双引号表示：
x = b'ABC'
要注意区分’ABC’ 跟 b’abc’ ，后者虽然内容显示的跟前者一样，但bytes的每个字符都占用一个字节。
一，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'
二，反过来，从网络上或者磁盘上读取了字节流，那么读到的数据就是 bytes，要把bytes转换成 str ，就需要用到decode() 方法：
>>> b'ABC'.decode('ascii')
'ABC'
>>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
'中文'
三，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'
四，要计算str 包含多少个字节时 可以用 len() 函数
>>> len('ABC')
3
>>> len('中文')
2
五，len() 函数在计算str 时 表示字符长度，如果是计算bytes 时就计算的字节数.
>>> 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：
三，Python 字符串格式化
最后一个常见的问题是 如何输出格式化的字符串，我们经常会在log里面输出类似 ‘亲爱的xxx你好！你xx月的话费是xx，余额是xx’ 之类的字符串
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.'
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 |
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%'