第二章 字符串处理与编码不再发愁

<b>2.1 字符串</b>

<b>   2.1.1 字符串转换</b>

&gt;&gt;&gt; a = 123

&gt;&gt;&gt; b = 1.23

&gt;&gt;&gt; type(a)

&lt;type 'int'&gt;

&gt;&gt;&gt; type(b)

&lt;type 'float'&gt;

&gt;&gt;&gt; type(str(a))

&lt;type 'str'&gt;

&gt;&gt;&gt; type(str(b))

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。 

  <b> 2.1.2 字符串连接</b>

# 加号字符将同类型字符连接到一起

&gt;&gt;&gt; hw = "hello" + "world!"

&gt;&gt;&gt; print hw

helloworld!

# 两个相邻的字符串自动连接一起

&gt;&gt;&gt; hw = "hello""world!"

# 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。

&gt;&gt;&gt; hw = "hello \"world!\""

hello "world!"

# 不同字符串类型拼接

&gt;&gt;&gt; a = "abc"

&gt;&gt;&gt; b = 1

&gt;&gt;&gt; print a + b

traceback (most recent call last):

  file "&lt;stdin&gt;", line 1, in &lt;module&gt;

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：

&gt;&gt;&gt; c = "%s%d" %(a,b)

&gt;&gt;&gt; print c

abc1

方法2：

&gt;&gt;&gt; c = a + str(b)

  <b> 2.1.3 格式化输出</b>

操作符号

说明

%s

字符串（str()）

%r

字符串（repr()）

%d

整数

%f

浮点数，可指定小数点后的精度

？

       1) 字符串格式输出三种方法

&gt;&gt;&gt; xxoo = "string"

&gt;&gt;&gt; print "%s" %xxoo

string

&gt;&gt;&gt; print "%r" %xxoo

'string'

&gt;&gt;&gt; print `xxoo`   

        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

&gt;&gt;&gt; '%.1f' %(float(100)/1024)

'0.1'

  <b>   2.1.4 字符串处理</b>

     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

<b>博客地址：http://lizhenliang.blog.51cto.com and https://yq.aliyun.com/u/lizhenliang</b>

qq群：323779636（shell/python运维开发群）

<b>2.2 编码</b>

<b>   2.2.1 常见字符编码类型</b>

     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。

<b>     </b>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）。

<b>   </b><b>2.2.</b><b>3 decode()</b>

     decode()函数作用是将其他编码（比如acsii、byte string）的字符串解码成unicode。

<b>   </b><b>2.2.</b><b>4 encode()</b>

     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。

<b>   </b><b>2.2.</b><b>5 python编码处理</b>

c = "中文"

print c

  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：

print type(c)

中文

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：

&gt;&gt;&gt; c = "中文"

&gt;&gt;&gt; c.encode('utf-8')

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。

&gt;&gt;&gt; c.decode('utf-8')

u'\u4e2d\u6587'       # 4e2d对应unicode值是"中"，6587对应unicdoe值是"文"

&gt;&gt;&gt; type(c.decode('utf-8'))

&lt;type 'unicode'&gt;

&gt;&gt;&gt; print c.decode('utf-8')    ？

&gt;&gt;&gt; print c.decode('utf-8').encode('utf-8')

    如果是unicode字符串可直接通过encode()函数转码其他编码。

&gt;&gt;&gt; c = u'中文'

'\xe4\xb8\xad\xe6\x96\x87'

&gt;&gt;&gt; print c.encode('utf-8')

    看下字节字符串和unicode字符串区别：

&gt;&gt;&gt; c = '中文'

&gt;&gt;&gt; u = u'中文'

&gt;&gt;&gt; c

&gt;&gt;&gt; u

u'\u4e2d\u6587'

&gt;&gt;&gt; len(c)

6

&gt;&gt;&gt; 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 --&gt; decode() --&gt; unicode --&gt; encode() --&gt; 终端是能识别的编码，unicode算是一个中间码，有着承上启下的作用。