数据结构——字符串
本章概述:python基础——字符串的基本使用
一、字符编码
在将字符串使用之前,我们有必要先了解一下字符编码。字符串也是一种数据类型,但是,字符串比较特殊的是还有一个编码问题。
1、ASCII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个字符被编码到计算机里,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
,因此,ASCII
编码为一个字节。
2、GB2312及其他编码
前面说过了,ASCII
编码为一个字节,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。
3、Unicode字符
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UCS-16编码,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)。
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
。
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
。
4、可变长编码——UTF-8
Unicode不会出现乱码问题,也能把全球的所有文字字符都表示进去,但是新的问题又出现了: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。
字符 | ASCII | Unicode | UTF-8 |
---|---|---|---|
A | 01000001 | 00000000 01000001 | 01000001 |
中 | 无 | 01001110 00101101 | 11100100 10111000 10101101 |
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
5、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。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。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。
二、python的字符串
1、python字符串的编码方式
在python3中,字符串是以Unicode编码的,也就是说,Python的字符串支持多语言。
1 | s1 = 'hello, world!' |
Python提供了ord()
函数获取字符的Unicode值,chr()
函数把Unicode值转换为对应的字符。
1 | ord('A') |
如果知道字符的整数编码,还可以用十六进制这么写str
:
1 | >>> '\u4e2d\u6587' |
2、编码和解码
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
。
纯英文的str
可以用ASCII
编码为bytes
,内容是一样的,含有中文的str
可以用UTF-8
编码为bytes
。含有中文的str
无法用ASCII
编码,因为中文编码的范围超过了ASCII
编码的范围,Python会报错。Python对bytes
类型的数据用带b
前缀的单引号或双引号表示。
1 | 'ABC'.encode('ascii') |
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
。要把bytes
变为str
,就需要用decode()
方法。
1 | b'ABC'.decode('ascii') |
如果bytes
中只有一小部分无效的字节,可以传入errors='ignore'
忽略错误的字节
1 | b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore') |
3、字符串驻留机制
字符串驻留:仅保存一份相同且不可变字符串的方法,不同的值被存放在字符串驻留池中。
Python 支持字符串驻留机制,对于符合标识符规则的字符串(仅包含下划线(_)、字母和数字)会启用字符串驻留机制。也就是说,当定义多个相同的符合上述所说的规则的字符串时,在内存中仅保留一份,然后将变量映射到相同的内存中去。
1 | 'abc123' a= |
上面的例子可以发现,a和b指向同一个内存地址,c和d则不是。因为ab负责字符串驻留机制的规则,cd不符合驻留机制。
三、字符串基本使用
1、转义字符和原始字符
可以在字符串中使用\
(反斜杠)来表示转义,也就是说\
后面的字符不再是它原来的意义,例如:\n
不是代表反斜杠和字符n
,而是表示换行;\t
也不是代表反斜杠和字符t
,而是表示制表符。所以如果字符串本身又包含了'
、"
、\
这些特殊的字符,必须要通过\
进行转义处理
Python中的字符串可以r
或R
开头,这种字符串被称为原始字符串,意思是字符串中的每个字符都是它本来的含义,没有所谓的转义字符。例如,在字符串'hello\n'
中,\n
表示换行;而在r'hello\n'
中,\n
不再表示换行,就是反斜杠和字符n
。所以当需要转义时则使用反斜杠,不需要时以r开头即可。
2、字符串运算
Python为字符串类型提供了非常丰富的运算符,我们可以使用+
运算符来实现字符串的拼接,可以使用*
运算符来重复一个字符串的内容,可以使用in
和not in
来判断一个字符串是否包含另外一个字符串,我们也可以用[]
和[:]
运算符从字符串取出某个字符或某些字符。
2.1、拼接和重复
下面的例子演示了使用+
和*
运算符来实现字符串的拼接和重复操作。
1 | s1 = 'hello' + ' ' + 'world' |
2.2、比较运算
对于两个字符串类型的变量,可以直接使用比较运算符比较两个字符串的相等性或大小。前面讲编码的时候也有讲到,字符串在内存中是以Unicode表示的,所以字符串的大小比较比的是每个字符对应的编码的大小。例如A
的编码是65
, 而a
的编码是97
,所以'A' < 'a'
的结果相当于就是65 < 97
的结果,很显然是True
;而'boy' < 'bad'
,因为第一个字符都是'b'
比不出大小,所以实际比较的是第二个字符的大小,显然'o' < 'a'
的结果是False
,所以'boy' < 'bad'
的结果也是False
。至于字符的编码是多少,前面也有说过,可以用ord函数获得。下面的代码为大家展示了字符串的比较运算。
1 | s1 = 'a whole new world' |
Python中还有一个is
运算符(身份运算符),如果用is
来比较两个字符串,它比较的是两个变量对应的字符串对象的内存地址,简单的说就是两个变量是否对应内存中的同一个字符串。另外还可以通过id函数来查看变量在内存中的位置。
1 | s1 = 'hello world' |
2.3、成员运算
Python中可以用in
和not in
判断一个字符串中是否存在另外一个字符或字符串,in
和not in
运算通常称为成员运算,会产生布尔值True
或False
。
1 | s1 = 'hello, world' |
2.4、获取字符串长度
函数len
可以获取字符串长度
1 | s = 'hello, world' |
如果想获取字节数,则需要把字符串编码成bytes。
1 | len('中文'.encode('utf-8')) #6 |
2.5、索引和切片
我们可以从字符串中取出某个字符,称为索引计算,索引从0开始,0代表字符串中的第一个字符,因此长度为n的字符串,索引范围为0到n-1,最后一个字符的索引也可以表示为-1,所以索引范围也可以是-1到-n。注意,因为字符串是不可变类型,所以不能通过索引运算修改字符串中的字符。
1 | name = "blog.z7sz.top" |
在进行索引操作时,如果索引越界(不在索引范围内)时,会引发IndexError
异常。
如果要从字符串中取出多个字符,我们可以对字符串进行切片,运算符是[i:j:k]
,其中i
是开始索引,索引对应的字符可以取到;j
是结束索引,索引对应的字符不能取到;k
是步长,默认值为1
。假设字符串的长度为N
,当k > 0
时表示正向切片(从前向后获取字符),如果没有给出i
和j
的值,则i
的默认值是0
,j
的默认值是N
;当k < 0
时表示负向切片(从后向前获取字符),如果没有给出i
和j
的值,则i
的默认值是-1
,j的默认值是-N - 1
。
1 | name = "blog.z7sz.top" |
2.6、循环遍历每个字符
1 | s1 = 'hello' |
3、字符串的方法
在Python中,我们可以通过字符串类型自带的方法对字符串进行操作和处理。
3.1、大小写相关操作
1 | name = "blog.z7sz.top" |
3.2、查找操作
1 | # 寻找字符(find,rfind,index,rindex) |
3.3、性质判断
可以通过字符串的startswith
、endswith
来判断字符串是否以某个字符串开头和结尾;还可以用is
开头的方法判断字符串的特征,这些方法都返回布尔值。
1 | # 检查开头和结尾字符串 |
3.4、格式化字符串
在Python中,字符串类型可以通过center
、ljust
、rjust
方法做居中、左对齐和右对齐的处理。如果要在字符串的左侧补零,也可以使用zfill
方法。
1 | s = 'hello, world' |
在用print
函数输出字符串时,可以用下面的方式对字符串进行格式化。
1 | a = 321 |
我们也可以用字符串的方法来完成字符串的格式。
1 | a = 321 |
从Python 3.6开始,格式化字符串还有更为简洁的书写方式,就是在字符串前加上f
来格式化字符串,在这种以f
打头的字符串中,{变量名}
是一个占位符,会被变量对应的值将其替换掉。
1 | a = 321 |
字符串格式化更多操作参照以下表格
变量值 | 占位符 | 格式化结果 | 说明 |
---|---|---|---|
3.1415926 |
{:.2f} |
'3.14' |
保留小数点后两位 |
3.1415926 |
{:.0f} |
'3' |
不带小数 |
123 |
{:0>10d} |
'0000000123' |
左边补0 ,补够10位 |
123 |
{:x<10d} |
'123xxxxxxx' |
右边补x ,补够10位 |
123 |
{:>10d} |
' 123' |
左边补空格,补够10位 |
123 |
{:<10d} |
'123 ' |
右边补空格,补够10位 |
123456789 |
{:,} |
'123,456,789' |
逗号分隔格式 |
0.123 |
{:.2%} |
'12.30%' |
百分比格式 |
123456789 |
{:.2e} |
'1.23e+08' |
科学计数法格式 |
3.5、删除字符
1 | # 删除字符,一般用来删除两端或一段的空字符 |
3.6、替换操作
replace
方法的第一个参数是被替换的内容,第二个参数是替换后的内容,还可以通过第三个参数指定替换的次数。
1 | # 替换(replace) |
3.7、分割/合并操作
可以使用字符串的split
方法将一个字符串拆分为多个字符串(放在一个列表中),也可以使用字符串的join
方法将列表中的多个字符串连接成一个字符串。
1 | s = 'I love you' |
split
方法默认使用空格进行拆分,我们也可以指定其他的字符来拆分字符串,而且还可以指定最大拆分次数来控制拆分的效果。
1 | s = 'I#love#you#so#much' |
3.8、其他方法
对于字符串类型来说,还有一个常用的操作是对字符串进行匹配检查,即检查字符串是否满足某种特定的模式。例如,一个网站对用户注册信息中用户名和邮箱的检查,就属于模式匹配检查。实现模式匹配检查的工具叫做正则表达式,Python语言通过标准库中的re
模块提供了对正则表达式的支持,正则表达式这里不讲,涉及到更深层次的知识。
1 | # 计算某字符出现的频率 |