Python 3最重要的新特性之一是对字符串和二进制数据流做了明确的区分。
- 文本总是
Unicode
,由str
类型表示, - 二进制数据则由
bytes
类型表示。
Python 3不会以任意隐式的方式混用str
和bytes
,你不能拼接字符串和字节流,也无法在字节流里搜索字符串(反之亦然),
也不能将字符串传入参数为字节流的函数(反之亦然)。
下面让我们深入分析一下二者的区别和联系。
在计算机历史的早期,美国为代表的英语系国家主导了整个计算机行业,26个英文字母组成了多样的英语单词、语句、文章。
因此,最早的字符编码规范是ASCII码,一种8位即1个字节的编码规范,它可以涵盖整个英语系的编码需要。
编码是什么?编码就是把一个字符用一个二进制来表示。
我们都知道,所有的东西,不管是英文、中文还是符号等等,最终存储在磁盘上都是01010101这类东西。在计算机内部,读取和存储数据归根结底,处理的都是0和1组成的比特流。问题来了,人类看不懂这些比特流,如何让这些010101对人类变得可读呢?
于是出现了字符编码,它是个翻译机,在计算机内部某个地方,透明的帮我们将比特流翻译成人类可以直接理解的文字。
对于一般用户,不需要知道这个过程是什么原理,是怎么执行的。但是对于程序员却是个必须搞清楚的问题。
以ASCII
编码为例,它规定1个字节8个比特位代表1个字符的编码,也就是“00000000”这么宽,逐个字节的解读。例如:
- 01000001表示大写字母A,有时我们会“偷懒"的用 65 这个十进制来表示A在
ASCII
中的编码。8个比特位,最多可表示2的8次方(255)个字符。
后来,计算机得到普及,中文、日文、韩文等等国家的文字需要在计算机内表示,ASCII的255位远远不够,于是标准组织制定出了叫做UNICODE的万国码,
它规定任何一个字符(不管哪国的)至少以2个字节表示,可以更多。
其中,英文字母就是用2个字节,而汉字是3个字节。这个编码虽然很好,满足了所有人的要求,但是它不兼容ASCII
,同时还占用较多的空间和内存,不便于网络传输和文件存储。因为,在计算机世界更多的字符是英文字母,明明可以1个字节就能够表示,非要用2个。
于是UTF-8
编码应运而生,它规定
- 英文字母系列用1个字节表示,
- 欧洲文字通常用两个字节表示,
- (CJK 统一表意符号 (CJK Unified Ideographs):4E00-9FBF)汉字等东亚文字用3个字节表示等等。
因此,它兼容ASCII
,可以解码早期的文档。UTF-8
很快就得到了广泛的应用。
在编码的发展历程中,我国还创造了自己的编码方式,例如GBK
,GB2312
,BIG5
。他们只局限于在国内使用,不被国外认可。在GBK
编码中,中文汉字占2个字节。
bytes和str之间的异同
bytes
是一种比特流,它的存在形式是01010001110这种。我们无论是在写代码,还是阅读文章的过程中,肯定不会有人直接阅读这种比特流,它必须有一个编码方式,使得它变成有意义的比特流,而不是一堆晦涩难懂的01组合。因为编码方式的不同,对这个比特流的解读也会不同,对实际使用造成了很大的困扰。
下面让我们看看Python是如何处理这一系列编码问题的:
1 >>> str1 = '学无定法而有方法' 2 >>> str1 3 '学无定法而有方法' 4 >>> type(str1) 5 <class 'str'> 6 >>> b1 = bytes(str1, encoding='utf-8') 7 >>> b1 8 b'xe5xadxa6xe6x97xa0xe5xaex9axe6xb3x95xe8x80x8cxe6x9cx89xe6x96xb9xe6xb3x95' 9 >>> type(b1) 10 <class 'bytes'> 11 >>>
从例子可以看出,str1
是个字符串类型。Python有个内置函数bytes()
可以将字符串str
类型转换成bytes
类型,
b1
实际上是一串01的组合,但为了在ide环境中让我们相对直观的观察,它被表现成了
b'xe5xadxa6xe6x97xa0xe5xaex9axe6xb3x95xe8x80x8cxe6x9cx89xe6x96xb9xe6xb3x95'这种形式,
- 开头的
b
表示这是一个bytes
类型。 xe5
是十六进制的表示方式,它占用1个字节的长度,
因此”学无定法而有方法“被编码成utf-8
后,我们可以数得出一共用了24个字节,每个汉字占用3个。
在使用内置函数bytes()
的时候,必须明确encoding
的参数,不可省略。
我们都知道,字符串类str
里有一个encode()
方法,它是从字符串向比特流的编码过程。
而bytes
类型恰好有个decode()
方法,它是从比特流向字符串解码的过程。
除此之外,我们查看Python源码会发现bytes
和str
拥有几乎一模一样的方法列表,最大的区别就是 encode
和 decode
。
从实质上来说,字符串在磁盘上的保存形式也是01的组合,也需要编码解码。
如果,上面的阐述还不能让你搞清楚两者的区别,那么记住下面两几句话:
- 在将字符串存入磁盘和从磁盘读取字符串的过程中,Python自动地帮你完成了编码和解码的工作。
- 使用
bytes
类型,实质上是告诉Python,不需要它帮你自动地完成编码和解码的工作,而是用户自己手动进行,并指定编码格式。 - Python已经严格区分了
bytes
和str
两种数据类型,你不能在需要bytes
类型参数的时候使用str
参数,反之亦然。 - 图片、视频等文件通常是以bytes类型读写的,所以类型通常是rb, wb模式
在bytes和str的互相转换过程中,实际就是编码解码的过程,必须显式地指定编码格式。
1 >>> b2 = str1[:2].encode('gbk') 2 >>> b2 3 b'xd1xa7xcexde' 4 >>> b2.decode('gbk') 5 '学无' 6 >>> b3 = str1[:2].encode('utf-8') 7 >>> b3 8 b'xe5xadxa6xe6x97xa0' 9 >>> b3.decode('utf-8') 10 '学无' 11 >>> str2 = 'こんにちは' 12 >>> b4 = str2.encode('shift-jis') 13 >>> b4 14 b'x82xb1x82xf1x82xc9x82xbfx82xcd' 15 >>> b4.decode('shift-jis') 16 'こんにちは' 17 >>>