此筆記摘錄於廖雪峰先生的教程，感謝廖先生的無私分享，特此致敬！

字串和編碼

字元編碼

• 字串也是一種資料型別，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。

• 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，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。

• 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。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。

• 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。

• 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'

• 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。

• 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。

• 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'

• 如果bytes中包含無法解碼的位元組，decode()方法會報錯。

>>> b'\xe4\xb8\xad\xff'.decode('utf-8')
Traceback (most recent call last):
  ...
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte

• 如果bytes中只有一小部分無效的位元組，可以傳入errors='ignore’忽略錯誤的位元組。

>>> b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore')
'中'

• 要計算str包含多少個字元，可以用len()函式，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('ABC')
3
>>> len('中文')
2
>>> len(b'ABC')
3
>>> len(b'\xe4\xb8\xad\xe6\x96\x87')
6
>>> len('中文'.encode('utf-8'))
6

• 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。

• 由於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：
  • 第一行註釋是為了告訴Linux/OS X系統，這是一個Python可執行程式，Windows系統會忽略這個註釋；
  • 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。

    #!/usr/bin/env python3
    # -*- coding: utf-8 -*-
    

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，在字串內部，%s表示用字串替換，%d表示用整數替換，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。

>>> 'Hello, %s' % 'world'
'Hello, world'
>>> 'Hi, %s, you have $%d.' % ('Michael', 1000000)
'Hi, Michael, you have $1000000.'

• 常見的佔位符

  • %d：整數。
  • %f ：浮點數。
  • %s：字串。
  • %x：十六進位制整數。
  • 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。

• 如果你不太確定應該用什麼，%s永遠起作用，它會把任何資料型別轉換為字串。

• 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%。