20200917-Python学习笔记3

编码

ASCII编码一个字节

Unicode编码通常两个字节

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

UTF-8编码是针对Unicode的一种可变长度字符编码。它可以用来表示Unicode标准中的任何字符，而且其编码中的第一个字节仍与ASCII相容，使得原来处理ASCII字符的软件无须或只进行少部份修改后，便可继续使用。

ord()函数获取字符的整数表示

chr()函数把编码转换为对应的字符

>>> ord('u')
117
>>> ord('U')
85
>>> ord('we')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: ord() expected a character, but string of length 2 found
>>> chr(89)
'Y'
>>> chr(85)
'U'
>>>

Python的字符串类型是str，在内存中以Unicode表示，一个字符对应若干个字节。如果要在网络上传输，或者保存到磁盘上，就需要把str变为以字节为单位的bytes

Python对bytes类型的数据用带b前缀的单引号或双引号表示

'ABC'和b'ABC'，前者是str，后者虽然内容显示得和前者一样，但bytes的每个字符都只占用一个字节

以Unicode表示的str通过encode（）方法可以编码为指定的bytes

例子：

>>> 'we'.encode('ascii')
b'we'
>>> b'we'
b'we'
>>> '汉字'.encode('utf-8')
b'xe6xb1x89xe5xadx97'
>>> 'we'.encode('utf-8')
b'we'
>>> '汉字'.encode('ascii')
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)
>>>

在bytes中，无法显示为ASCII字符的字节，用 x## 显示。反过来，如果我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。


把bytes变成str,要用到decode()方法

>>> b'ASD'
b'ASD'
>>> b'ASD'.decode('ascii')
'ASD'
>>> b'xe4xb8xadxe6x96x87'.decode('utf-8')
'中文'

如果bytes中包含无法解码的字节，decode() 方法会报错，如果字节只有一小部分，可以传入errors='ignore' 忽略错误的字节

>>> b'xe4xb8xadxff'.decode('utf-8',errors='ignore')
'中'
>>> b'xe4xb8xadxff'.decode('utf-8')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 3: invalid start byte
>>>

len()函数可以计算str包含多少个字符

>>> len('BIG')
3
>>> len('今晚打老虎')
5
>>>

len()函数：返回项目（字符、字节、列表）的长度或个数

len（）函数计算的是str的字符数，如果换成bytes，len（）函数就计算字节数。

>>> len('iop')
3
>>> len('aaa')
3
>>> len(b'xe4xb8xadxe6x96x87')
6
>>> len('中文'.encode('utf-8'))
6
>>>

当Python解释器读取源代码时，为了让它按UTF-8编码读取，我们通常在文件开头写上这两行：

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

第一行注释是为了告诉Linux/OS X系统，这是一个Python可执行程序，Windows系统会忽略这个注释；

第二行注释是为了告诉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。