Python3字元編碼
原文地址
編碼
字串是一種資料型別，但是，字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字，如果要處理文字，就必須先把文字轉換為數字才能處理。最早的計算機在設計時採用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（二進位制11111111=十進位制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。
由於計算機是美國人發明的，因此，最早只有127個字母被編碼到計算機裡，也就是大小寫英文字母、數字和一些符號，這個編碼表被稱為ASCII
A的編碼是65，小寫字母z的編碼是122。
Unicode
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編碼是十進位制的65，二進位制的01000001；
字元0用ASCII編碼是十進位制的48，二進位制的00110000，注意字元'0'
0是不同的；
漢字已經超出了ASCII編碼的範圍，用Unicode編碼是十進位制的20013，二進位制的01001110 00101101。
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，如果你寫的文字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，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。如果你要傳輸的文字包含大量英文字元，用UTF-8編碼就能節省空間：
| 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編碼的歷史遺留軟體可以在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計算機系統通用的字元編碼工作方式：
在計算機記憶體中，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，伺服器會把動態生成的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原始碼上會有類似<meta charset="UTF-8" />的資訊，表示該網頁正是用的UTF-8編碼。
Python的字串
在最新的Python 3版本中，字串是以Unicode編碼的，也就是說，Python的字串支援多語言，例如：
>>> print('包含中文的str') 包含中文的str
對於單個字元的編碼，Python提供了ord()函式獲取字元的整數表示，chr()函式把編碼轉換為對應的字元：
>>> ord('A') 65 >>> ord('中') 20013 >>> chr(66) 'B' >>> chr(25991) '文'
如果知道字元的整數編碼，還可以用十六進位制這麼寫str
'\u4e2d\u6587' // 中文
byte
由於Python的字串型別是str，在記憶體中以Unicode表示，一個字元對應若干個位元組。如果要在網路上傳輸，或者儲存到磁碟上，就需要把str變為以位元組為單位的bytes。
Python對bytes型別的資料用帶b字首的單引號或雙引號表示：
x = b'ABC'
要注意區分 'ABC'和b'ABC'，前者是str，後者雖然內容顯示得和前者一樣，但bytes的每個字元都只佔用一個位元組。
以Unicode表示的str通過encode()方法可以編碼為指定的bytes，例如：
>>> 'ABC'.encode('ascii') b'ABC' >>> '中文'.encode('utf-8') b'\xe4\xb8\xad\xe6\x96\x87' >>> '中文'.encode('ascii') Traceback (most recent call last): File "<stdin>", line 1, in <module> UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)
純英文的str可以用ASCII編碼為bytes，內容是一樣的，含有中文的str可以用UTF-8編碼為bytes。含有中文的str無法用ASCII編碼，因為中文編碼的範圍超過了ASCII編碼的範圍，Python會報錯。
在bytes中，無法顯示為ASCII字元的位元組，用\x##顯示。
反過來，如果我們從網路或磁碟上讀取了位元組流，那麼讀到的資料就是bytes。要把bytes變為str，就需要用decode()方法：
>>> b'ABC'.decode('ascii') 'ABC' >>> b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8') '中文'
要計算str包含多少個字元，可以用len()函式
>>> len('ABC') 3 >>> len('中文') 2
len()函式計算的是str的字元數，如果換成bytes，len()函式就計算位元組數
>>> len(b'ABC') 3 >>> len(b'\xe4\xb8\xad\xe6\x96\x87') 6 >>> len('中文'.encode('utf-8')) 6
1箇中文字元經過UTF-8編碼後通常會佔用3個位元組，而1個英文字元只佔用1個位元組。
在操作字串時，我們經常遇到str和bytes的互相轉換。為了避免亂碼問題，應當始終堅持使用UTF-8編碼對str和bytes進行轉換。
Python原始碼也是一個文字檔案，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直譯器讀取原始碼時，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 python3 # -*- coding: utf-8 -*-
第二行註釋是為了告訴Python直譯器，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。
格式化：
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：
format % (...params)
>>> 'Hello, %s' % 'world' 'Hello, world' >>> 'Hi, %s, you have $%d.' % ('Michael', 1000000) 'Hi, Michael, you have $1000000.'
%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，%x表示16進位制整數，有幾個%?佔位符，後面就跟幾個變數或者值，順序要對應好。如果只有一個%?，括號可以省略。
格式化整數和浮點數還可以指定是否補0和整數與小數的位數：
>>> '%2d-%02d' % (3, 1) ' 3-01' >>> '%.2f' % 3.1415926 '3.14'
有些時候，字串裡面的%是一個普通字元怎麼辦？這個時候就需要轉義，用%%來表示一個%：
>>> 'growth rate: %d %%' % 7 'growth rate: 7 %'