字符編碼
我們已經(jīng)講過了，字符串也是一種數(shù)據(jù)類型，但是，字符串比較特殊的是還有一個編碼問題。
因為計算機只能處理數(shù)字，如果要處理文本，就必須先把文本轉(zhuǎn)換為數(shù)字才能處理。最早的計算機在設(shè)計時采用8個比特（bit）作為一個字節(jié)（byte），所以，一個字節(jié)能表示的最大的整數(shù)就是255（二進制11111111=十進制255），如果要表示更大的整數(shù)，就必須用更多的字節(jié)。比如兩個字節(jié)可以表示的最大整數(shù)是65535，4個字節(jié)可以表示的最大整數(shù)是4294967295。
由于計算機是美國人發(fā)明的，因此，最早只有127個字母被編碼到計算機里，也就是大小寫英文字母、數(shù)字和一些符號，這個編碼表被稱為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字節(jié)是不夠的，至少需要兩個字節(jié)，而且還不能和ASCII編碼沖突，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里，韓國把韓文編到Euc-kr里，各國有各國的標準，就會不可避免地出現(xiàn)沖突，結(jié)果就是，在多語言混合的文本中，顯示出來會有亂碼。
|
1
|
char-encoding-problem |
因此，Unicode應(yīng)運而生。Unicode把所有語言都統(tǒng)一到一套編碼里，這樣就不會再有亂碼問題了。
Unicode標準也在不斷發(fā)展，但最常用的是用兩個字節(jié)表示一個字符（如果要用到非常偏僻的字符，就需要4個字節(jié)）。現(xiàn)代操作系統(tǒng)和大多數(shù)編程語言都直接支持Unicode。
現(xiàn)在，捋一捋ASCII編碼和Unicode編碼的區(qū)別：ASCII編碼是1個字節(jié)，而Unicode編碼通常是2個字節(jié)。
字母A用ASCII編碼是十進制的65，二進制的01000001；
字符0用ASCII編碼是十進制的48，二進制的00110000，注意字符'0'和整數(shù)0是不同的；
漢字中已經(jīng)超出了ASCII編碼的范圍，用Unicode編碼是十進制的20013，二進制的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(xiàn)了：如果統(tǒng)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編碼需要多一倍的存儲空間，在存儲和傳輸上就十分不劃算。
所以，本著節(jié)約的精神，又出現(xiàn)了把Unicode編碼轉(zhuǎn)化為“可變長編碼”的UTF-8編碼。UTF-8編碼把一個Unicode字符根據(jù)不同的數(shù)字大小編碼成1-6個字節(jié)，常用的英文字母被編碼成1個字節(jié)，漢字通常是3個字節(jié)，只有很生僻的字符才會被編碼成4-6個字節(jié)。如果你要傳輸?shù)奈谋景罅坑⑽淖址肬TF-8編碼就能節(jié)省空間：
字符 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(fā)現(xiàn)，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，大量只支持ASCII編碼的歷史遺留軟件可以在UTF-8編碼下繼續(xù)工作。
搞清楚了ASCII、Unicode和UTF-8的關(guān)系，我們就可以總結(jié)一下現(xiàn)在計算機系統(tǒng)通用的字符編碼工作方式：
在計算機內(nèi)存中，統(tǒng)一使用Unicode編碼，當需要保存到硬盤或者需要傳輸?shù)臅r候，就轉(zhuǎn)換為UTF-8編碼。
用記事本編輯的時候，從文件讀取的UTF-8字符被轉(zhuǎn)換為Unicode字符到內(nèi)存里，編輯完成后，保存的時候再把Unicode轉(zhuǎn)換為UTF-8保存到文件：
瀏覽網(wǎng)頁的時候，服務(wù)器會把動態(tài)生成的Unicode內(nèi)容轉(zhuǎn)換為UTF-8再傳輸?shù)綖g覽器：
所以你看到很多網(wǎng)頁的源碼上會有類似<meta charset="UTF-8" />的信息，表示該網(wǎng)頁正是用的UTF-8編碼。
Python的字符串
搞清楚了令人頭疼的字符編碼問題后，我們再來研究Python對Unicode的支持。
因為Python的誕生比Unicode標準發(fā)布的時間還要早，所以最早的Python只支持ASCII編碼，普通的字符串'ABC'在Python內(nèi)部都是ASCII編碼的。Python提供了ord()和chr()函數(shù)，可以把字母和對應(yīng)的數(shù)字相互轉(zhuǎn)換：
|
1
2
3
4
|
>>> ord('A')65>>> chr(65)'A' |
Python在后來添加了對Unicode的支持，以Unicode表示的字符串用u'...'表示，比如：
|
1
2
3
4
|
>>> print u'中文'中文>>> u'中'u'\u4e2d' |
寫u'中'和u'\u4e2d'是一樣的，\u后面是十六進制的Unicode碼。因此，u'A'和u'\u0041'也是一樣的。
兩種字符串如何相互轉(zhuǎn)換？字符串'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(zhuǎn)換為UTF-8編碼的'xxx'用encode('utf-8')方法：
|
1
2
3
4
|
>>> u'ABC'.encode('utf-8')'ABC'>>> u'中文'.encode('utf-8')'\xe4\xb8\xad\xe6\x96\x87' |
英文字符轉(zhuǎn)換后表示的UTF-8的值和Unicode值相等（但占用的存儲空間不同），而中文字符轉(zhuǎn)換后1個Unicode字符將變?yōu)?個UTF-8字符，你看到的\xe4就是其中一個字節(jié)，因為它的值是228，沒有對應(yīng)的字母可以顯示，所以以十六進制顯示字節(jié)的數(shù)值。len()函數(shù)可以返回字符串的長度：
|
1
2
3
4
5
6
7
8
|
>>> 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編碼表示的字符串'xxx'轉(zhuǎn)換為Unicode字符串u'xxx'用decode('utf-8')方法：
|
1
2
3
4
5
6
|
>>> '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 |
由于Python源代碼也是一個文本文件，所以，當你的源代碼中包含中文的時候，在保存源代碼時，就需要務(wù)必指定保存為UTF-8編碼。當Python解釋器讀取源代碼時，為了讓它按UTF-8編碼讀取，我們通常在文件開頭寫上這兩行：
|
1
2
|
#!/usr/bin/env python# -*- coding: utf-8 -*- |
第一行注釋是為了告訴Linux/OS X系統(tǒng)，這是一個Python可執(zhí)行程序，Windows系統(tǒng)會忽略這個注釋；
第二行注釋是為了告訴Python解釋器，按照UTF-8編碼讀取源代碼，否則，你在源代碼中寫的中文輸出可能會有亂碼。
申明了UTF-8編碼并不意味著你的.py文件就是UTF-8編碼的，必須并且要確保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，中文字符串必須是Unicode字符串：
申明了UTF-8編碼并不意味著你的.py文件就是UTF-8編碼的，必須并且要確保Notepad++正在使用UTF-8 without BOM編碼：
如果.py文件本身使用UTF-8編碼，并且也申明了# -*- coding: utf-8 -*-，打開命令提示符測試就可以正常顯示中文：
格式化
最后一個常見的問題是如何輸出格式化的字符串。我們經(jīng)常會輸出類似'親愛的xxx你好！你xx月的話費是xx，余額是xx'之類的字符串，而xxx的內(nèi)容都是根據(jù)變量變化的，所以，需要一種簡便的格式化字符串的方式。
在Python中，采用的格式化方式和C語言是一致的，用%實現(xiàn)，舉例如下：
|
1
2
3
4
|
>>> 'Hello, %s' % 'world''Hello, world'>>> 'Hi, %s, you have $%d.' % ('Michael', 1000000)'Hi, Michael, you have $1000000.' |
你可能猜到了，%運算符就是用來格式化字符串的。在字符串內(nèi)部，%s表示用字符串替換，%d表示用整數(shù)替換，有幾個%?占位符，后面就跟幾個變量或者值，順序要對應(yīng)好。如果只有一個%?，括號可以省略。
常見的占位符有：
-
%d 整數(shù)
-
%f 浮點數(shù)
-
%s 字符串
-
%x 十六進制整數(shù)
其中，格式化整數(shù)和浮點數(shù)還可以指定是否補0和整數(shù)與小數(shù)的位數(shù)：
|
1
2
3
4
|
>>> '%2d-%02d' % (3, 1)' 3-01'>>> '%.2f' % 3.1415926'3.14' |
如果你不太確定應(yīng)該用什么，%s永遠起作用，它會把任何數(shù)據(jù)類型轉(zhuǎn)換為字符串：
|
1
2
|
>>> 'Age: %s. Gender: %s' % (25, True)'Age: 25. Gender: True' |
對于Unicode字符串，用法完全一樣，但最好確保替換的字符串也是Unicode字符串：
|
1
2
|
>>> u'Hi, %s' % u'Michael'u'Hi, Michael' |
有些時候，字符串里面的%是一個普通字符怎么辦？這個時候就需要轉(zhuǎn)義，用%%來表示一個%：
|
1
2
|
>>> 'growth rate: %d %%' % 7'growth rate: 7 %' |
小結(jié)
由于歷史遺留問題，Python 2.x版本雖然支持Unicode，但在語法上需要'xxx'和u'xxx'兩種字符串表示方式。
Python當然也支持其他編碼方式，比如把Unicode編碼成GB2312：
|
1
2
|
>>> 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(yè)務(wù)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(tǒng)一成Unicode編碼，即寫不寫前綴u都是一樣的，而以字節(jié)形式表示的字符串則必須加上b前綴：b'xxx'。
格式化字符串的時候，可以用Python的交互式命令行測試，方便快捷。
