字串字首

1. 普通字串

一般字串都是預設用Unicode編碼的，可以用\來轉義，例如：

a = u'test\ntest'  # 等同於a = 'test\ntest'
print(a)

# 輸出
test
test

2. 字串前面加r

在字串前面加上一個 r 表示該字串為raw string，不識別轉義。

a = r'test\ntest'  # 等同於a = 'test\\ntest'
print(a)

# 輸出
test\ntest

3. 字串前面加b

生成位元組序列物件bytearray。這在需要按位元組序列傳送資料時有用，比如網路傳送.

message = b"GET / HTTP/1.1\r\n\r\n"
 

s.sendall(message)

message的型別不再是str，而是bytes了。

字元編碼

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。

最早只有127個字元被編碼到計算機裡，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位元組是不夠的，至少需要兩個位元組，而且還不能和ASCII編碼衝突，所以，中國製定了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裡，韓國把韓文編到Euc-kr裡，各國有各國的標準，就會不可避免地出現衝突，結果就是，在多語言混合的文字中，顯示出來會有亂碼。

因此，Unicode應運而生。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。

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，本著節約的精神，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的資訊，表示該網頁正是用的UTF-8編碼。

Python的字串

搞清楚了令人頭疼的字元編碼問題後，我們再來研究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')

# 輸出
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')
# 輸出
65

ord('中')
# 輸出
20013

chr(66)
# 輸出
'B'

chr(25991)
# 輸出
'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'
# 輸出
'中文'

兩種寫法完全是等價的。

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')
# 輸出
b'ABC'

'中文'.encode('utf-8')
# 輸出
b'\xe4\xb8\xad\xe6\x96\x87'

'中文'.encode('ascii')
# 輸出
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')
# 輸出
'ABC'

b'\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
# 輸出
'中文'

要計算str包含多少個字元，可以用len()函式：

len('ABC')
# 輸出
3

len('中文')
# 輸出
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')
# 輸出
3

len(b'\xe4\xb8\xad\xe6\x96\x87')
# 輸出
6

len('中文'.encode('utf-8'))
# 輸出
6

可見，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。

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：

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

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。

申明瞭UTF-8編碼並不意味著你的.py檔案就是UTF-8編碼的，必須並且要確保文字編輯器正在使用UTF-8 without BOM編碼：

如果.py檔案本身使用UTF-8編碼，並且也申明瞭# -- coding: utf-8 --，開啟命令提示符測試就可以正常顯示中文：

字串格式化

最後一個常見的問題是如何輸出格式化的字串。我們經常會輸出類似’親愛的xxx你好！你xx月的話費是xx，餘額是xx’之類的字串，而xxx的內容都是根據變數變化的，所以，需要一種簡便的格式化字串的方式。

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：

'Hello, %s' % 'world'
# 輸出
'Hello, world'

'Hi, %s, you have $%d.' % ('Michael', 1000000)
# 輸出
'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，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。

常見的佔位符有：

%d 整數
%f 浮點數
%s 字串
%x 十六進位制整數
其中，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)
# 輸出
' 3-01'

'%.2f' % 3.1415926
# 輸出
'3.14'

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：

'Age: %s. Gender: %s' % (25, True)
# 輸出
'Age: 25. Gender: True'

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
# 輸出
'growth rate: 7 %'

小結

Python 3的字串使用Unicode，直接支援多語言。

str和bytes互相轉換時，需要指定編碼。最常用的編碼是UTF-8。Python當然也支援其他編碼方式，比如把Unicode編碼成GB2312：

'中文'.encode('gb2312')
# 輸出
b'\xd6\xd0\xce\xc4'

但這種方式純屬自找麻煩，如果沒有特殊業務要求，請牢記僅使用UTF-8編碼。