目錄

• python與中文的那點事
  • 1. utf-8/gbk/unicode/ASCII
  • 2.各種編碼之間的轉換
  • 3. 統計字串中數字,字母,漢字的個數

python與中文的那點事

在學習python的過程中，發現在python2與python3中對中文的處理有所不同，所以這篇文章就來探討一下這些不同

1. utf-8/gbk/unicode/ASCII

  我們都知道，在計算機內部所有的資訊都可以被表示成二進位制的字串，每一個二進位制位有1和0兩種狀態，因此8位的二進位制數可以表示256種狀態，這也被稱為位元組(byte)，也就是一個位元組可以表示可以用來表示256種不同的狀態，每一個狀態都對應一個符號；上個年代美國製定了一套字元編碼，對應英文字母與二進位制之間的關係，做了統一的規定。這被稱為ASCII

，一直沿用至今。
  
  當然設計上存在很多的編碼方式，同一個二進位制也可以被解釋成不同的符號，因此想要開啟一個檔案就必須要知道它的編碼方式，否則用錯誤的編碼方式進行讀取，就會產生亂碼。所以說如果有一種編碼，能適應世界上所有的編碼規則，那麼就可以解決掉所有的亂碼問題。所以Unicode這套編碼規則就被設計出來了，Unicode當然是一個很大的合集，可以容納100多萬個符號，每個符號的編碼都不一樣，但是要注意到的是，Unicode只是一個符號集，他並沒有規定這個二進位制如何去儲存，所以有些字元是用2個位元組儲存，有的是三個或者四個位元組進行儲存，甚至更多。那麼這樣的話就會有一個問題，就是計算機應該如何確定到底是三位位元組決定一個符號，還是兩位元組決定一個符號。這樣造成的結果就是會產生多種的Unicode編碼方式，也就是說有不同的二進位制格式，所以不能進行有效的推廣。
  
  隨著網際網路的普及，需要一種能夠統一的編碼方式，utf-8就是在網際網路上是用最廣的一種Unicode實現的方法，其他方法還有UFT-18和UTF-32，不過現在在網際網路上基本不是很通用，所以要強調的是UTF-8是Unicode的一種實現方式。UTF-8最大的一個特點就是它是一種變長的編碼模式；它可以用1~4個位元組表示一個符號，根據不同的符號而變化位元組長度。
  
  另外，UTF-8是Unix下的通用編碼，可以對漢字進行編碼；gbk是win環境下的一種漢字編碼格式。所有的UTF-8和gbk編碼都得通過Unicode編碼進行轉換，而UTF-8和gbk之間不能相互轉換，要在Unicode過個場。

  

  在下面程式碼中：

# -*- coding:utf-8 -*-
s='漢字'
print(s)
 

  s是一串utf-8編碼的漢字，在print的時候，先把utf-8轉化成unicode再輸出成正產顯示的漢字。

2.各種編碼之間的轉換

  python中有兩個很好用的函式decode()和encode()。
  decode('utf-8') 是從utf-8編碼轉換成unicode編碼，當然括號裡也可以寫'gbk'。
  encode('gbk') 是將unicode編碼編譯成gbk編碼，當然括號裡也可以寫'utf-8'。
假如我知道一串編碼是用gbk編寫的，怎麼轉成utf-8呢?

s.decode('utf-8').encode('gbk')

  那麼這樣就有一個有意思的小問題，如何看一個漢字分別用utf-8和gbk編碼所用的位數，我們用程式碼演示一下：

#python3 中可以直接進行編碼
>>> len("測試程式碼".encode("utf-8"))
12
>>> len("測試程式碼".encode("gbk"))
8
#因為在Python3中預設就是unicode編碼

#python2中需要先decode 一次
>>> len("測試程式碼".decode("utf-8").encode("utf-8"))
12
>>> len("測試程式碼".decode("utf-8").encode("gbk"))
8

Python3.0中預設的編碼型別就是Unicode了，在python2.x中預設編碼是ascill。

3. 統計字串中數字,字母,漢字的個數

#re模組,實現正則匹配
import re

str_test = 'asdfghjkl123456測試程式碼'
num_regex = re.compile(r'[0-9]')
alphabet_regex = re.compile(r'[a-zA-z]')
chzn_regex = re.compile(r'[\u4E00-\u9FA5]')

print('輸入字串:',str_test)
#findall獲取字串中所有匹配的字元
num_list = num_regex.findall(str_test)
print('包含的數字:',num_list)
alphabet_list = alphabet_regex.findall(str_test)
print('包含的字母:',alphabet_list)
chzn_list = chzn_regex.findall(str_test)
print('包含的漢字:',chzn_list)
print('數字個數：',len(num_list))
print('字母個數：',len(alphabet_list))
print('漢字個數：',len(chzn_list))

輸出結果：

輸入字串: asdfghjkl123456測試程式碼
包含的數字: ['1', '2', '3', '4', '5', '6']
包含的字母: ['a', 's', 'd', 'f', 'g', 'h', 'j', 'k', 'l']
包含的漢字: ['測', '試', '代', '碼']
數字個數： 6
字母個數： 9
漢字個數： 4