第二章 Python字符串和编码

2.1 字符串

    2.1.1 字符串转换

   >>> a = 123    
   >>> b = 1.23
   >>> type(a)
   <type ‘int‘>
   >>> type(b)
   <type ‘float‘>
   >>> type(str(a))
   <type ‘str‘>
   >>> type(str(b))
   <type ‘str‘>

说明：先定义个整数和浮点数，再查看类型，用str()函数将对象转成字符串。

这里的用到了type()函数，用于查看对象类型。这个type()在以后学习中很用的，刚开始学习时候，往往因为对象类型不对，导致程序运行报错，这时可以用它来排查问题。

   2.1.2 字符串连接

        # 加号字符将同类型字符连接到一起    
    >>> hw = "Hello" + "World!"
    >>> print hw
    HelloWorld!
    # 两个相邻的字符串自动连接一起
    >>> hw = "Hello""World!"
    >>> print hw
    HelloWorld!
    # 如果字符串内包括单引号或双引号，要用\转义，否则报错，上一章也讲过。
    >>> hw = "Hello \"World!\""
    >>> print hw
    Hello "World!"
    # 不同字符串类型拼接
    >>> a = "abc"
    >>> b = 1
    >>> print a + b
    Traceback (most recent call last):
      File "<stdin>", line 1, in <module>
    TypeError: cannot concatenate ‘str‘ and ‘int‘ objects
    说明：不同字符串类型不允许连接，想要连接可以下面这么做。
    方法1：
    >>> c = "%s%d" %(a,b)
    >>> print c
    abc1
    方法2：
    >>> c = a + str(b)
    >>> print c
    abc1

   2.1.3 格式化输出

1) 字符串格式输出三种方法

    >>> xxoo = "string"    
    >>> print "%s" %xxoo
    string
    >>> print "%r" %xxoo
    ‘string‘
    >>> print `xxoo`   
    ‘string‘

说明：%s采用str()函数显示，%r采用repr()函数显示。repr()和反撇号把字符串转为Python表达式。

2) 保留小数点数

    >>> ‘%.1f‘ %(float(100)/1024)    
    ‘0.1‘

  2.1.4 字符串处理

上图是字符串处理的方法，红色框框中大概有一半经常用的，我们就拿一部分常用的来举例说明。

#!/usr/bin/env python
# -*- coding: utf-8 -*-
xxoo = "Hello world!"
print "字符串长度: %s" % len(xxoo)
print "首字母大写: %s" % xxoo.capitalize()
print "字符l出现次数: %s" % xxoo.count(‘l‘)
print "感叹号是否结尾: %s" % xxoo.endswith(‘!‘)
print "w字符是否是开头: %s" % xxoo.startswith(‘w‘)
print "w字符索引位置: %s" % xxoo.find(‘w‘) # xxoo.index(‘W‘)
print "格式化字符串: Hello{0} world!".format(‘,‘)
print "是否都是小写: %s" % xxoo.islower()
print "是否都是大写: %s" % xxoo.isupper()
print "所有字母转为小写: %s" % xxoo.lower()
print "所有字母转为大写: %s" % xxoo.upper()
print "感叹号替换为句号: %s" % xxoo.replace(‘!‘,‘.‘)
print "以空格分隔切分成列表: %s" % xxoo.split(‘ ‘)
print "转换为一个列表: %s" % xxoo.splitlines()
print "去除两边空格: %s" % xxoo.strip()
print "大小写互换: %s" % xxoo.swapcase()
print "只要Hello字符串: %s" % xxoo[0:5]
print "去掉倒数第一个字符: %s" % xxoo[0:-1]

# python test.py
字符串长度: 12
首字母大写: Hello world!
字符l出现次数: 3
感叹号是否结尾: True
w字符是否是开头: False
w字符索引位置: 6
格式化字符串: Hello, world!
是否都是小写: False
是否都是大写: False
所有字母转为小写: hello world!
所有字母转为大写: HELLO WORLD!
感叹号替换为句号: Hello world.
以空格分隔切分成列表: [‘Hello‘, ‘world!‘]
转换为一个列表: [‘Hello world!‘]
去除两边空格: Hello world!
大小写互换: hELLO WORLD!
只要Hello字符串: Hello
去掉倒数第一个字符: Hello world

博客地址：http://lizhenliang.blog.51cto.com

2.2 编码

    2.2.1 常见字符编码类型

ASCII：美国信息交换标准码，是目前计算机中最广泛使用的字符集编码。每个ASCII码以1个字节存储，例如数字字符0的ASCII码是0110000，十进制表示为48。

       Unicode：为解决世界上上百种语言带来混合、冲突，各国有各国的标准，显示很容易出现乱码。Unicode就出现了，它把所有语言的字符都统一到一套Unicode编码中，并定义每个语言字符的标准，所以Unicode又称统一码，万国码。大部分编程语言都支持Unicode，Python内部编码也支持Unicode。

GB2312：中国国家标准总局发布处理汉字的标准编码。

GBK：GB2312的扩展，向下兼容GB2312。

UTF-8：针对Unicode的可变长度字符编码，又称万国码。支持中文简体繁体及其它语言（如英文，日文，韩文）。

     2.2.3 decode()

decode()函数作用是将其他编码（比如ACSII、Byte String）的字符串解码成Unicode。

     2.2.4 encode()

encode()函数作用是将Unicode编码成终端软件能是识别的编码，就能正常显示了，比如UTF-8、GBK。

     2.2.5 Python编码处理

    #!/usr/bin/env python        
    c = "中文"
    print c
        
    # python test.py
      File "test.py", line 2
    SyntaxError: Non-ASCII character ‘\xe4‘ in file test.py on line 3, but no encoding declared; see http://www.python.org/peps/pep-0263.html for details

说明：在程序里面直接打印中文，会报语法错误，这是因为Python默认编码是ASCII，无法处理其他编码。

如果想打印中文，需要声明编码为utf-8，上面也有写过：

    #!/usr/bin/env python        
     # -*- coding: utf-8 -*-
    c = "中文"
    print c
    print type(c)
        
    # python test.py
    中文
    <type ‘str‘>

可以正常输出中文了，类型是字符串，这个字符串是经过Python unicode编码后字节组成的。

虽然可以正常输入中文，并不意味的就万事大吉了，如果终端编码不是utf-8或其他软件也不确定编码还会出现乱码情况。所以还是要明白Python处理编码逻辑关系，才能更好的应对编码问题。

切换到交互式解释器：

    >>> c = "中文"        
    >>> c.encode(‘utf-8‘)
    Traceback (most recent call last):
     File "<stdin>", line 1, in <module>
    UnicodeDecodeError: ‘ascii‘ codec can‘t decode byte 0xe4 in position 0: ordinal not in range(128)

如果直接转成utf-8是不允许的，报错Unicode解码错误，大概意思是说ascii码不能解码字节字符串。

上面讲到encode()函数作用是将Unicode码解码，而现在的c变量并非是Unicode码，而是字节字符串，算是Unicode的一种吧？。

故此，不能使用encode()，而是先使用decode()先解码陈Unicode再用encode()编码成utf-8。

    >>> c.decode(‘utf-8‘)        
    u‘\u4e2d\u6587‘       # 4e2d对应unicode值是"中"，6587对应unicdoe值是"文"
    >>> type(c.decode(‘utf-8‘))
     <type ‘unicode‘>
    >>> print c.decode(‘utf-8‘)    ？
    中文
    >>> print c.decode(‘utf-8‘).encode(‘utf-8‘)
    中文

如果是Unicode字符串可直接通过encode()函数转码其他编码。

        >>> c = u‘中文‘    
    >>> c.encode(‘utf-8‘)
    ‘\xe4\xb8\xad\xe6\x96\x87‘
    >>> print c.encode(‘utf-8‘)
    中文

看下字节字符串和unicode字符串区别：

    >>> c = ‘中文‘        
    >>> u = u‘中文‘
    >>> c
      ‘\xe4\xb8\xad\xe6\x96\x87‘
    >>> u
     u‘\u4e2d\u6587‘
    >>> len(c)
      6
    >>> len(u)
      2

字节字符串长度要比unicode长的多，而unicode长度就是字符长度。

总结下：Python处理编码流程大致是这样的，ascii --> decode() --> unicode --> encode() --> 终端能识别的编码，unicode算是一个中间码，有着承上启下的作用。