詳解Python當中的字串和編碼

字元編碼

我們已經講過了，字串也是一種資料類型，但是，字串比較特殊的是還有一個編碼問題。

因為電腦只能處理數字，如果要處理文本，就必須先把文本轉換為數字才能處理。最早的電腦在設計時採用8個位元（bit）作為一個位元組（byte），所以，一個位元組能表示的最大的整數就是255（二進位11111111=十進位255），如果要表示更大的整數，就必須用更多的位元組。比如兩個位元組可以表示的最大整數是65535，4個位元組可以表示的最大整數是4294967295。

由於電腦是美國人發明的，因此，最早只有127個字母被編碼到電腦裡，也就是大小寫英文字母、數字和一些符號，這個編碼錶被稱為ASCII編碼，比如大寫字母A的編碼是65，小寫字母z的編碼是122。

但是要處理中文顯然一個位元組是不夠的，至少需要兩個位元組，而且還不能和ASCII編碼衝突，所以，中國制定了GB2312編碼，用來把中文編進去。

你可以想得到的是，全世界有上百種語言，日本把日文編到Shift_JIS裡，韓國把韓文編到Euc-kr裡，各國有各國的標準，就會不可避免地出現衝突，結果就是，在多語言混合的文本中，顯示出來會有亂碼。

char-encoding-problem

因此，Unicode應運而生。Unicode把所有語言都統一到一套編碼裡，這樣就不會再有亂碼問題了。

Unicode標準也在不斷髮展，但最常用的是用兩個位元組表示一個字元（如果要用到非常偏僻的字元，就需要4個位元組）。現代作業系統和大多數程式設計語言都直接支援Unicode。

現在，捋一捋ASCII編碼和Unicode編碼的區別：ASCII編碼是1個位元組，而Unicode編碼通常是2個位元組。

字母A用ASCII編碼是十進位的65，二進位的01000001；

字元0用ASCII編碼是十進位的48，二進位的00110000，注意字元'0'和整數0是不同的；

漢字中已經超出了ASCII編碼的範圍，用Unicode編碼是十進位的20013，二進位的01001110 00101101。

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

新的問題又出現了：如果統一成Unicode編碼，亂碼問題從此消失了。但是，如果你寫的文本基本上全部是英文的話，用Unicode編碼比ASCII編碼需要多一倍的儲存空間，在儲存和傳輸上就十分不划算。

所以，本著節約的精神，又出現了把Unicode編碼轉化為“可變長編碼”的UTF-8編碼。UTF-8編碼把一個Unicode字元根據不同的數字大小編碼成1-6個位元組，常用的英文字母被編碼成1個位元組，漢字通常是3個位元組，只有很生僻的字元才會被編碼成4-6個位元組。如果你要傳輸的文本包含大量英文字元，用UTF-8編碼就能節省空間的：
字元 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現，UTF-8編碼有一個額外的好處，就是ASCII編碼實際上可以被看成是UTF-8編碼的一部分，所以，大量只支援ASCII編碼的曆史遺留軟體可以在UTF-8編碼下繼續工作。

搞清楚了ASCII、Unicode和UTF-8的關係，我們就可以總結一下現在電腦系統通用的字元編碼工作方式：

在電腦記憶體中，統一使用Unicode編碼，當需要儲存到硬碟或者需要傳輸的時候，就轉換為UTF-8編碼。

用記事本編輯的時候，從檔案讀取的UTF-8字元被轉換為Unicode字元到記憶體裡，編輯完成後，儲存的時候再把Unicode轉換為UTF-8儲存到檔案：

瀏覽網頁的時候，伺服器會把動態產生的Unicode內容轉換為UTF-8再傳輸到瀏覽器：

所以你看到很多網頁的源碼上會有類似的資訊，表示該網頁正是用的UTF-8編碼。
Python的字串

搞清楚了令人頭疼的字元編碼問題後，我們再來研究Python對Unicode的支援。

因為Python的誕生比Unicode標準發布的時間還要早，所以最早的Python只支援ASCII編碼，普通的字串'ABC'在Python內部都是ASCII編碼的。Python提供了ord()和chr()函數，可以把字母和對應的數字相互轉換：

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

Python在後來添加了對Unicode的支援，以Unicode表示的字串用u'...'表示，比如：

>>> print u'中文'中文>>> u'中'u'\u4e2d'

寫u'中'和u'\u4e2d'是一樣的，\u後面是十六進位的Unicode碼。因此，u'A'和u'\u0041'也是一樣的。

兩種字串如何相互轉換？字串'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'

英文字元轉換後表示的UTF-8的值和Unicode值相等（但佔用的儲存空間不同），而中文字元轉換後1個Unicode字元將變為3個UTF-8字元，你看到的\xe4就是其中一個位元組，因為它的值是228，沒有對應的字母可以顯示，所以以十六進位顯示位元組的數值。len()函數可以返回字串的長度：

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

反過來，把UTF-8編碼錶示的字串'xxx'轉換為Unicode字串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

由於Python原始碼也是一個文字檔，所以，當你的原始碼中包含中文的時候，在儲存原始碼時，就需要務必指定儲存為UTF-8編碼。當Python解譯器讀取原始碼時，為了讓它按UTF-8編碼讀取，我們通常在檔案開頭寫上這兩行：

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

第一行注釋是為了告訴Linux/OS X系統，這是一個Python可執行程式，Windows系統會忽略這個注釋；

第二行注釋是為了告訴Python解譯器，按照UTF-8編碼讀取原始碼，否則，你在原始碼中寫的中文輸出可能會有亂碼。
申明了UTF-8編碼並不意味著你的.py檔案就是UTF-8編碼的，必須並且要確保Notepad++正在使用UTF-8 without BOM編碼：
如果你使用Notepad++進行編輯，除了要加上# -*- coding: utf-8 -*-外，中文字串必須是Unicode字串：

申明了UTF-8編碼並不意味著你的.py檔案就是UTF-8編碼的，必須並且要確保Notepad++正在使用UTF-8 without BOM編碼：

如果.py檔案本身使用UTF-8編碼，並且也申明了# -*- coding: utf-8 -*-，開啟命令提示字元測試就可以正常顯示中文：

格式化

最後一個常見的問題是如何輸出格式化的字串。我們經常會輸出類似'親愛的xxx你好！你xx月的話費是xx，餘額是xx'之類的字串，而xxx的內容都是根據變數變化的，所以，需要一種簡便的格式化字串的方式。
在Python中，採用的格式化方式和C語言是一致的，用%實現，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，%運算子就是用來格式化字串的。在字串內部，%s表示用字串替換，%d表示用整數替換，有幾個%?預留位置，後面就跟幾個變數或者值，順序要對應好。如果只有一個%?，括弧可以省略。

常見的預留位置有：

• %d 整數
• %f 浮點數
• %s 字串
• %x 十六進位整數

其中，格式化整數和浮點數還可以指定是否補0和整數與小數的位元：

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

如果你不太確定應該用什麼，%s永遠起作用，它會把任何資料類型轉換為字串：

>>> 'Age: %s. Gender: %s' % (25, True)'Age: 25. Gender: True'

對於Unicode字串，用法完全一樣，但最好確保替換的字串也是Unicode字串：

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

有些時候，字串裡面的%是一個一般字元怎麼辦？這個時候就需要轉義，用%%來表示一個%：

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

小結

由於曆史遺留問題，Python 2.x版本雖然支援Unicode，但在文法上需要'xxx'和u'xxx'兩種字串表示方式。

Python當然也支援其他編碼方式，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，如果沒有特殊業務要求，請牢記僅使用Unicode和UTF-8這兩種編碼方式。

在Python 3.x版本中，把'xxx'和u'xxx'統一成Unicode編碼，即寫不寫首碼u都是一樣的，而以位元組形式表示的字串則必須加上b首碼：b'xxx'。

格式化字串的時候，可以用Python的互動式命令列測試，方便快捷。

