你真的知道Python的字符串是什么吗？

 

它竟然把程序员处理字符串跟死亡大事并列了，可见这是多么命中注定……

回头看其它文章，我发现这种说法得到了佐证，因为我在无意中已零零碎碎地提及了字符串的很多方面，例如：字符串读写文件、字符串打印、字符串不可变性、字符串Intern机制、字符串拼接、是否会取消字符串，等等。而这些，还只能算字符串面目的冰山一角。

既然如此，那干脆再单独写写Python的字符串吧。这篇内容可能会很基（li）础（lun），并不是什么“骚操作”或“冷知识”，权当是一份温故而求知新的笔记。

1 Python字符串是什么？

根据维基百科定义：字符串是由零个或多个字符组成的有限序列。而在Python 3中，它有着更明确的意思：字符串是由Unicode码点组成的不可变序列（Strings are immutable sequences of Unicode code points.）

字符串是一种序列，这意味着它具备序列类型都支持的操作：

# 以下的s、t皆表示序列，x表示元素 Python学习交流群：1004391443
x in s # 若s包含x，返回True，否则返回False
x not in s # 若s包含x，返回False，否则返回True
s + t # 连接两个序列
s * n # s复制n次
s[i] # s的索引第i项
s[i:j] # s切片从第i项到第j-1项
s[i:j:k] # s切片从第i项到第j-1项,间隔为k
len(s) # s的长度
min(s) # s的最小元素
max(s) # s的最大元素
s.index（x） # x的索引位置
s.count(x) # s中出现x的总次数

字符串序列还具备一些特有的操作，限于篇幅，按下不表。预告一下，下一篇《你真的知道Python的字符串怎么用吗？ 》将会展开介绍，敬请期待……

字符串序列是一种不可变序列，这意味着它不能像可变序列一样，进行就地修改。例如，在字符串“Python”的基础上拼接“Cat”，得到字符串“PythonCat”，新的字符串是一个独立的存在，它与基础字符串“Python”并没有关联关系。

basename = "Python"
myname = basename + "Cat"
id(basename) == id(myname) >>> False
# 作为对比，列表能就地修改
baselist = ["Python"]
baselist.append("Cat")
print(baselist) >>> ['Python', 'Cat']

字符串这种序列与其它序列（如列表、元组）的不同之处在于，它的“元素”限定了只能是Unicode码点。Unicode码点是什么呢？简单理解，就是用Unicode编码的字符。那字符是什么呢？字符是人类书写系统的各类符号，例如阿拉伯数字、拉丁字母、中文、日文、藏文、标点符号、控制符号（换行符、制表符等）、其它特殊符号（@#￥%$*等等）。那Unicode编码又是什么呢？Unicode别名是万国码、国际码，它是一种适用性最广的、将书写字符编码为计算机数字的标准。

总所周知，在最底层的计算机硬件世界里，只有0和1。那么，怎么用这个二进制数字，来表示人类的文化性的字符呢？这些字符数量庞大，而且还在日益增长与变化，什么样的编码方案才是最靠谱的呢？

历史上，人类创造了多种多样的字符编码标准，例如ASCII（1963年）编码，以西欧语言的字符为主，它的缺点是只能编码128个字符；例如GB2312（1981年），这是中国推出的编码标准，在兼容ASCII标准的基础上，还加入了对日文、俄文等字符的编码，但缺点仍是编码范围有限，无法表示古汉语、繁体字及更多书写系统的字符。

Unicode编码标准于1991年推出，至今迭代到了第11版，已经能够编码146个书写系统的130000个字符，可谓是无所不包，真不愧是“国际码”。Unicode编码其实是一个二进制字符集，它建立了从书写字符映射成唯一的数字字符的关系，但是，由于各系统平台对字符的理解差异，以及出于节省空间的考虑，Unicode编码还需要再做一次转换，转换后的新的二进制数字才能作为实际存储及网络传输时的编码。

这种转换方式被称为Unicode转换格式（Unicode Transformation Format，简称为UTF），它又细分为UTF-8、UTF-16、UTF-32等等方式。我们最常用的是UTF-8。为什么UTF-8最常用呢？因为它是可变长度的编码方案，针对不同的字符使用不同的字节数来编码，例如编码英文字母时，只需要一个字节（8个比特），而编码较复杂的汉字时，就会用到三个字节（24个比特）。

 

二进制的编码串可以说是给机器阅读的，为了方便，我们通常会将其转化为十六进制，例如“中”字的Unicode编码可以表示成0x4e2d ，其UTF-8编码可以表示为0xe4b8ad ，'0x'用于开头表示十六进制，这样就简洁多了。不过，UTF-8编码的结果会被表示成以字节为单位的形式，例如“中”字用UTF-8编码后的字节形式是\xe4\xb8\xad 。

Python中为了区分Unicode编码与字节码，分别在开头加“u”和“b”以示区分。在Python 3中，因为Unicode成了默认编码格式，所以“u”被省略掉了。

# 字符转Unicode编码
# Python3中，开头的u被省略，b不可省略
hex(ord('中')) >>> '0x4e2d'
hex(ord('A')) >>> '0x41'
# 字符转UTF-8编码（encode）
'中'.encode('utf-8') >>> b'\xe4\xb8\xad'
'A'.encode('utf-8') >>> b'A'
# Unicode编码还原成字符
chr(0x4e2d) >>> '中'
chr(0x41) >>> 'A'
# UTF-8编码还原成字符（decode）
b'\xe4\xb8\xad'.decode('utf-8') >>> '中'
b'A'.decode('utf-8') >>> 'A'

总结一下，Python 3 中的字符串是由Unicode码点组成的不可变序列，也即是，由采用Unicode标准编码的字符组成的不可变序列。Unicode编码将书写系统的字符映射成了计算机二进制数字，为了方便，通常显示为十六进制；在运算内存中，字符以Unicode编码呈现，当写入磁盘或用于网络传输时，一般采用UTF-8方式编码。

在Python 2中，因为历史包袱，即Python先于Unicode编码而诞生，所以其编码问题是个大难题。幸好抛弃Python 2已成大势所趋，所以我就不再对此做介绍或比对了。

2 Python字符串 VS Java字符串

虽然不提纵向版本间的差异，但是，我想将Python字符串与其它编程语言做一个横向对比。我觉得这会是挺好玩的事。通过跨语言的比较，也许我们能加深对一个事物（字符串）的理解，还可能受到启发，得到对“编程语言”及“编程哲学”的领悟。

由于本人才疏学浅，本文就只对两点皮毛特性作说明，欢迎读者斧正和补充。

（1）字符串的定义方式

Python的字符串是内置类型，所以使用起来很方便，有如下三种定义方式：

str_0 = '''Python字符串可以写在用三引号对内，表示多行字符串。
还可以写在单引号对内，
当然还可以写在双引号对内。
'''
str_1 = 'Python猫是一只猫'
str_2 = "Python猫是一个微信公众号"

Java的字符串不是内置类型，它属于对象，需要通过String类来创建。不过，正因为字符串太常用，所以Java特意预定义了一个字符串类String，使得程序员也可以像这样来定义：String name = "Python猫"; ，而不必这样写：String name = new String("Python猫"); 。

Java的字符串只能写在双引号内，不具备Python中单双引号混用的灵活。至于三引号的多行字符串表示法，Java程序员表示羡慕得要死，那种痛苦，受过折磨的人最懂。写出来让Python程序员开心一下：

String s = "Java 的多行字符串很麻烦，
"
 + "既要使用换行符，
"
 + "还需要使用加号拼接";

为什么Java不支持多行字符串、什么时候支持多行字符串？此类问题在Python程序员眼里，可能很费解，但它绝对能排进“Java程序员最希望能实现的特性”的前列。好不容易，官方有计划在Java 11 实现，但今年9月发布的Java 11 仍是没有，现在改计划到Java 12 了。

（2）单个字符与字符序列

Java中其实也有单引号的使用，用在char类型上，例如char c = 'A'; 。char是一种内置类型，表示单个用Unicode编码的字符。Python中没有char类型，字符串类型通吃一切。

前面说到，Python的字符串是一种字符序列，而Java的字符串并不是一种序列，要表示相近的概念的话，就得用到字符数组 或者 字符串数组 ，例如：

char[] a = { 'a', 'b', 'c'}; 
String[] str = new String[]{"1","2","3"}; 

字符数组和字符串数组是一种序列，但并不是字符串，它们之间如果要相互转换，还是挺麻烦的。另外，说是序列，但Java的序列操作绝对无法跟Python相比，别的不说，就上面提及的几个基础操作，试问Java能否实现、实现起来要花费多大力气？

最后来个Ending，关于“Python字符串到底是什么”就说到这啦，希望对你有所帮助。