python 中的字符串与编码

本文主要参考了这篇文章，该文章比较清楚地讲述了字符串的编码问题，并且在 python2 和 python3 中如何区分使用两者。

字符编码

因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用 8 个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是 255（二进制 11111111 = 十进制 255），如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是 65535，4 个字节可以表示的最大整数是 4294967295。

由于计算机是美国人发明的，因此，最早只有 127 个字母被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为 ASCII 编码，比如大写字母 A 的编码是 65，小写字母 z 的编码是 122。

但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和 ASCII 编码冲突，所以，中国制定了 GB2312 编码，用来把中文编进去。

你可以想得到的是，全世界有上百种语言，日本把日文编到 Shift_JIS 里，韩国把韩文编到 Euc-kr 里，各国有各国的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。

因此，Unicode 应运而生。Unicode 把所有语言都统一到一套编码里，这样就不会再有乱码问题了。

Unicode 标准也在不断发展，但最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要 4 个字节）。现代操作系统和大多数编程语言都直接支持 Unicode。

现在，捋一捋 ASCII 编码和 Unicode 编码的区别：ASCII 编码是 1 个字节，而 Unicode 编码通常是 2 个字节。

字母 A 用 ASCII 编码是十进制的 65，二进制的 01000001；

字符 0 用 ASCII 编码是十进制的 48，二进制的 00110000，注意字符 '0' 和整数 0 是不同的；

汉字中已经超出了 ASCII 编码的范围，用 Unicode 编码是十进制的 20013，二进制的 01001110 00101101。

你可以猜测，如果把 ASCII 编码的 A 用 Unicode 编码，只需要在前面补 0 就可以，因此，A 的 Unicode 编码是 00000000 01000001。

新的问题又出现了：如果统一成 Unicode 编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用 Unicode 编码比 ASCII 编码需要多一倍的存储空间，在存储和传输上就十分不划算。

所以，本着节约的精神，又出现了把 Unicode 编码转化为 “可变长编码” 的 UTF-8 编码。UTF-8 编码把一个 Unicode 字符根据不同的数字大小编码成 1-6 个字节，常用的英文字母被编码成 1 个字节，汉字通常是 3 个字节，只有很生僻的字符才会被编码成 4-6 个字节。如果你要传输的文本包含大量英文字符，用 UTF-8 编码就能节省空间；注意 UTF-8 并不是唯一对 Unicode 进行编码的编码方式。

从上面的表格还可以发现，UTF-8 编码有一个额外的好处，就是 ASCII 编码实际上可以被看成是 UTF-8 编码的一部分，所以，大量只支持 ASCII 编码的历史遗留软件可以在 UTF-8 编码下继续工作。

搞清楚了 ASCII、Unicode 和 UTF-8 的关系，我们就可以总结一下现在计算机系统通用的字符编码工作方式：

在计算机内存中，统一使用 Unicode 编码，当需要保存到硬盘或者需要传输的时候，就转换为 UTF-8 编码。

如用记事本编辑的时候，从文件读取的 UTF-8 字符被转换为 Unicode 字符到内存里，编辑完成后，保存的时候再把 Unicode 转换为 UTF-8 保存到文件：

而浏览网页的时候，服务器会把动态生成的 Unicode 内容转换为 UTF-8 再传输到浏览器：

所以你看到很多网页的源码上会有类似 <meta charset="UTF-8" /> 的信息，表示该网页正是用的 UTF-8 编码。

python 中的字符串

搞清楚了令人头疼的字符编码问题后，我们再来研究 Python 对 Unicode 的支持。

因为 Python 的诞生比 Unicode 标准发布的时间还要早，所以最早的 Python 只支持 ASCII 编码，普通的字符串 'ABC' 在 Python 内部都是 ASCII 编码的。Python 提供了 ord() 和 chr() 函数，可以把字母和对应的数字相互转换：

1
2
3
4

>>> ord('A')
65
>>> chr(65)
'A'

Python 在后来添加了对 Unicode 的支持，以 Unicode 表示的字符串用 u'...' 表示，比如：

1
2
3
4

>>> print u'中文'
中文
>>> u'中'
u'\u4e2d'

写 u'中' 和 u'\u4e2d' 是一样的，。因此，u'A' 和 u'\u0041' 也是一样的。

两种字符串如何相互转换？字符串 'xxx' 虽然是 ASCII 编码，但也可以看成是 UTF-8 编码，而 u'xxx' 则只能是 Unicode 编码。

把 u'xxx' 转换为 UTF-8 编码的 'xxx' 用 encode('utf-8') 方法：

1
2
3
4

>>> u'ABC'.encode('utf-8')
'ABC'
>>> u'中文'.encode('utf-8')
'\xe4\xb8\xad\xe6\x96\x87'

英文字符转换后表示的 UTF-8 的值和 Unicode 值相等（但占用的存储空间不同），而中文字符转换后 1 个 Unicode 字符将变为 3 个 UTF-8 字符，上面的 \xe4 就是其中一个字节，因为它的值是 228，没有对应的字母可以显示，所以以十六进制显示字节的数值。len() 函数可以返回字符串的长度：

1
2
3
4
5
6
7
8

>>> len(u'ABC')
3
>>> len('ABC')
3
>>> len(u'中文')
2
>>> len('\xe4\xb8\xad\xe6\x96\x87')
6

反过来，把 UTF-8 编码表示的字符串'xxx' 转换为 Unicode 字符串 u'xxx' 用 decode('utf-8') 方法：

1
2
3
4
5
6

>>> 'abc'.decode('utf-8')
u'abc'
>>> '\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
u'\u4e2d\u6587'
>>> print '\xe4\xb8\xad\xe6\x96\x87'.decode('utf-8')
中文

两者的转换方式总结来说就是从 Unicode 到 UTF-8 通过 encode() 方法， 而从 UTF-8 到 Unicode 通过 decode() 方法，而且 UTF-8 并不是唯一的编码方式

在编写 python 程序时，如果代码中有中文，那么就需要在代码的开始地方加上 # -*- coding: utf-8 -*-, 这是为了是为了告诉 Python 解释器，按照 UTF-8 编码读取源代码，否则，你在源代码中写的中文输出可能会有乱码。而且这样声明了 UTF-8 编码并不意味着.py 文件就是 UTF-8 编码的，必须并且要确保编辑器在保存文件的时候使用 UTF-8 编码方式。

最后需要注意的是，由于历史遗留问题，python 2.x 里的字符串用 'xxx' 表示 str，Unicode 字符串用 u'xxx' 表示 unicode，而在 3.x 中，所有字符串都被视为 unicode，因此，写 u'xxx' 和 'xxx' 是完全一致的，而在 2.x 中以 'xxx' 表示的 str 就必须写成 b'xxx'，以此表示 “二进制字符串”.