【分享】Python – 了解bytes、str与unicode的区别


原创文章,转载请注明: 转载自勤奋的小青蛙
链接地址: 【分享】Python – 了解bytes、str与unicode的区别

Python的字符串编码很容易把人搞混,分享一篇文章,用来解释python 2.x 与 3.x的编码。

Python3有两种表示字符序列的类型:bytes和str。前者的实例包含原始的8位值,后者的实例包含Unicode字符。

Python2也有两种表示字符序列的类型,分别叫做str和Unicode。与Python3不同的是,str实例包含原始的8位值;而unicode的实例,则包含Unicode字符。

想了解什么是bytes和Unicode,可以参考这里:Unicode与bytes有何区别?

一般来说,Unicode 只是一个“字符集”,它给每一个处于此字符集中的字符给予了一个编号。比如“我”,是 U+6211。然后 Unicode 本身并不指定这个 U+6211 应该是什么编码什么字节序存储和传输,那么就有了编码的这一概念。常见的比如 UTF-8、UTF-16 (LE)、UTF-16 (BE) 编码等。可能这里还会涉及到使用 BOM 来指定字节序的问题。那么当编码一定,字节序一定的时候,存储结果是肯定要落实到字节(Bytes)上来的。比如“我”字,U+6211,以 UTF-8 编码(过程略),结果就是 E6 88 91 这三个字节。存储、读取或者传输的时候,见到的就是 E6 88 91。可能还会见到 BOM - EF BB BF 在最前面。

把Unicode字符表示为二进制数据(也就是原始8位值)有许多种办法。最常见的编码方式就是UTF-8。但是,Python3的str实例和Python2的unicode实例都没有和特定的二进制编码形式相关联。要想把Unicode字符转换成二进制数据,就必须使用encode方法。要想把二进制数据转换成Unicode字符,则必须使用decode方法。

编写Python程序的时候,一定要把编码和解码操作放在界面最外围来做。程序的核心部分应该使用Unicode字符类型(也就是Python3中的str、Python2中的unicode),而且不要对字符编码做任何假设。这种办法既可以令程序接受多种类型的文本编码(如Latin-1、Shift JIS和Big5),又可以保证输出的文本信息只采用一种编码形式(最好是UTF-8)。

由于字符类型有别,所以Python代码中经常会出现两种常见的使用情境:

开发者需要原始8位值,这些8位值表示以UTF-8格式(或其他编码形式)来编码的字符。

开发者需要操作没有特定编码形式的Unicode字符。

所以,我们需要编写两个辅助(helper)函数,以便在这两种情况之间转换,使得转换后的输入数据能够符合开发者的预期。

在Python中使用原始8位值与Unicode字符时,有两个问题需要注意。第一个问题可能会出现在Python2里面。如果str只包含7位ASCII字符,那么unicode和str实例似乎就成了同一种类型。

*可以用+操作符把这种str与unicode连接起来。

*可以用等价于不等价操作符,在这种str实例与unicode实例之间进行比较。

* 在格式字符串中,可以用’%s’等形式来代表unicode实例。

这些行为意味着,在只处理7位ASCII的情境下,如果某函数接受str,那么可以给它传入unicode;如果某函数接受unicode,那么也可以给它传入str。而在Python3中,bytes与str实例则绝对不会等价,即使是空字符串也不行。所以,在传入字符序列时必须留意其类型。

第二个问题可能会出现在Python3里面。如果通过内置的open函数获取了文件句柄,那么请注意,该句柄默认会采用UTF-8编码格式来操作文件。而在Python2中,文件操作的默认编码格式则是二进制形式。这可能会导致程序出现怪的错误,对习惯了Python2的程序员来说更是如此。

例如,现在要向文件中随机写入一些二进制数据。下面这种用法在Python2中可以正常运作,但在Python3中不行。

发生上述异常的原因在于,Python3给open函数添加了名为encoding的新参数,而这个新参数的默认值是’utf-8’。这样在文件句柄上进行read和write操作时,系统就要求开发者必须传入包含Unicode字符的str实例,而不接受包含二进制数据的bytes实例。为了解决这个问题,我们必须用二进制写入模式(’wb’)来开启待操作的文件,而不能像原来那样,采用字符写入模式(‘w’)。按照下面这种方式来使用open函数,即可同时适配Python2与Python3:

从文件中读取数据的时候也有这种问题。解决办法与写入时相似:用’rb’模式(也就是二进制模式)打开文件,而不要用’r’模式。要点:

- 在Python3中,bytes是一种包含8位值的序列,str是一种包含Unicode字符的序列。开发者不能以>或+等操作符来混同操作bytes和str实例。

- 在Python2中,str是一种包含8位值的序列,unicode是一种包含Unicode字符的序列。如果str只含有7位ASCII字符,那么可以通过相关的操作来同时使用str和unicode。

- 在对输入的进行操作之前,使用辅助函数来保证字符序列的类型与开发者的期望相符(有的时候,开发者想操作以UTF-8格式来编码的8位值,有的时候,则想操作Unicode字符)。

- 从文件中读取二进制数据,或向其中写入二进制数据时,总应该以’rb’或’wb’等二进制模式来开启文件。

摘自《编写高质量Python代码的59个有效方法》--第三条:了解bytes、str与unicode的区别

你可能感兴趣的:(python专题)