1. 程式人生 > >Python學習-str與byte類型以及編碼

Python學習-str與byte類型以及編碼

ref 完成 原理 方式 字符串 gin 取字符串 重復 入參

Python 3最重要的新特性之一是對字符串和二進制數據流做了明確的區分。文本總是Unicode,由str類型表示,二進制數據則由bytes類型表示。Python 3不會以任意隱式的方式混用strbytes,你不能拼接字符串和字節流,也無法在字節流裏搜索字符串(反之亦然),也不能將字符串傳入參數為字節流的函數(反之亦然)。

編碼發展的歷史

在談bytesstr之前,需要先說說關於編碼是如何發展的。。

在計算機歷史的早期,美國為代表的英語系國家主導了整個計算機行業,26個英文字母組成了多樣的英語單詞、語句、文章。因此,最早的字符編碼規範是ASCII碼,一種8位即1個字節的編碼規範,它可以涵蓋整個英語系的編碼需要。

編碼是什麽?編碼就是把一個字符用一個二進制來表示。我們都知道,所有的東西,不管是英文、中文還是符號等等,最終存儲在磁盤上都是01010101這類東西。在計算機內部,讀取和存儲數據歸根結底,處理的都是0和1組成的比特流。問題來了,人類看不懂這些比特流,如何讓這些010101對人類變得可讀呢?於是出現了字符編碼,它是個翻譯機,在計算機內部某個地方,透明的幫我們將比特流翻譯成人類可以直接理解的文字。對於一般用戶,不需要知道這個過程是什麽原理,是怎麽執行的。但是對於程序員卻是個必須搞清楚的問題。

ASCII編碼為例,它規定1個字節8個比特位代表1個字符的編碼,也就是“00000000”這麽寬,一個一個字節的解讀。例如:01000001表示大寫字母A,有時我們會“偷懶"的用65這個十進制來表示A在ASCII

中的編碼。8個比特位,可以沒有重復的最多表示2的8次方(255)個字符。

後來,計算機得到普及,中文、日文、韓文等等國家的文字需要在計算機內表示,ASCII的255位遠遠不夠,於是標準組織制定出了叫做UNICODE的萬國碼,它規定任何一個字符(不管哪國的)至少以2個字節表示,可以更多。其中,英文字母就是用2個字節,而漢字是3個字節。這個編碼雖然很好,滿足了所有人的要求,但是它不兼容ASCII,同時還占用較多的空間和內存。因為,在計算機世界更多的字符是英文字母,明明可以1個字節就能夠表示,非要用2個。

於是UTF-8編碼應運而生,它規定英文字母系列用1個字節表示,漢字用3個字節表示等等。因此,它兼容ASCII

,可以解碼早期的文檔。UTF-8很快就得到了廣泛的應用。

在編碼的發展歷程中,我國還創造了自己的編碼方式,例如GBKGB2312BIG5。他們只局限於在國內使用,不被國外認可。在GBK編碼中,中文漢字占2個字節。

byte和str之間的異同:

回到bytesstr的身上。bytes是一種比特流,它的存在形式是01010001110這種。我們無論是在寫代碼,還是閱讀文章的過程中,肯定不會有人直接閱讀這種比特流,它必須有一個編碼方式,使得它變成有意義的比特流,而不是一堆晦澀難懂的01組合。因為編碼方式的不同,對這個比特流的解讀也會不同,對實際使用造成了很大的困擾。

1 s = 中文
2 print(type(s))    #<class ‘str‘>
3 b = bytes(s,encoding=utf-8,errors=strict)
4 print(b)     #b‘\xe4\xb8\xad\xe6\x96\x87‘
5 print(type(b))    #<class ‘bytes‘>
6 s2 = str(b,encoding=utf-8,errors=strict)
7 print(s2)     #中文
8 print(type(s2))     #<class ‘str‘>

從例子可以看出,s是個字符串類型。Python有個內置函數bytes()可以將字符串str類型轉換成bytes類型,b實際上是一串01的組合,但為了在ide環境中讓我們相對直觀的觀察,它被表現成了b‘\xe4\xb8\xad\xe6\x96\x87‘這種形式,開頭的b表示這是一個bytes類型。\xe4是十六進制的表示方式,它占用1個字節的長度,因此”中文“被編碼成utf-8後,我們可以數得出一共用了6個字節,每個漢字占用3個,這印證了上面的論述。在使用內置函數bytes()的時候,必須明確encoding的參數,不可省略,str()也類似。

我們都知道,字符串類str裏有一個encode()方法,它是從字符串向比特流的編碼過程。而bytes類型恰好有個decode()方法,它是從比特流向字符串解碼的過程。除此之外,我們查看Python源碼會發現bytesstr擁有幾乎一模一樣的方法列表,最大的區別就是encodedecode

從實質上來說,字符串在磁盤上的保存形式也是01的組合,也需要編碼解碼。

總結:

1、在將字符串寫入磁盤或者從磁盤讀取字符串的時候,Python會自動的完成編碼和解碼的工作。

2、在使用bytes()的時候,實際就是告訴Python,不需要Python幫你進行編碼,你會手動對輸入的字符串進行編碼,並且可以指定編碼格式。

3、在Python 3中對byte和str進行了嚴格的區分,不能在需要byte類型參數的時候,使用str類型參數。

兩種方式:

 1 #將str轉換為byte
 2 unicode_string = 中文
 3 print(type(unicode_string))   #<class ‘str‘>
 4 #第一種
 5 bytearray = unicode_string.encode()     #def encode(self, encoding=‘utf-8‘, errors=‘strict‘),默認就是‘utf-8‘的編碼方式
 6 print(bytearray)     #b‘\xe4\xb8\xad\xe6\x96\x87‘
 7 print(type(bytearray))    #<class ‘bytes‘>
 8 #第二種
 9 bytearray2 = bytes(unicode_string,encoding=utf-8,errors=strict)     #def __init__(self, value=b‘‘, encoding=None, errors=‘strict‘)
10 print(bytearray2)      #b‘\xe4\xb8\xad\xe6\x96\x87‘
11 print(type(bytearray2))    #<class ‘bytes‘>
12 
13 #將byte轉換為str
14 bytearray = b\xe4\xb8\xad\xe6\x96\x87
15 print(type(bytearray))   #<class ‘bytes‘>
16 #第一種
17 unicode_string = bytearray.decode()
18 print(unicode_string)    #中文
19 print(type(unicode_string))    #<class ‘str‘>
20 #第二種
21 unicode_string2 = str(bytearray,encoding=utf-8,errors=strict)
22 print(unicode_string2)    #中文
23 print(type(unicode_string2))    #<class ‘str‘>

參考:

Chown-Jane-Y

Python 3最重要的新特性之一是對字符串和二進制數據流做了明確的區分。文本總是Unicode,由str類型表示,二進制數據則由bytes類型表示。Python 3不會以任意隱式的方式混用strbytes,你不能拼接字符串和字節流,也無法在字節流裏搜索字符串(反之亦然),也不能將字符串傳入參數為字節流的函數(反之亦然)。

Python學習-str與byte類型以及編碼