Python 字符

本文最后更新于：2024年1月14日晚上

“字符串”是个相当简单的概念：一个字符串是一个字符序列。本文记录 Python 中字符串相关内容。

Unicode 标准

从 Python 3 的 str 对象中获取的元素是 Unicode 字符

Unicode 标准把字符的标识和具体的字节表述进行了如下的明确区分。
- 字符的标识，即码位，是 0~1 114 111 的数字（十进制），在 Unicode 标准中以 4~6 个十六进制数字表示，而且加前缀“U+”。例如，字母 A 的码位是 U+0041，欧元符号的码位是 U+20AC，高音谱号的码位是 U+1D11E。在 Unicode 6.3 中（这是 Python 3.4 使用的标准），约 10% 的有效码位有对应的字符。
- 字符的具体表述取决于所用的编码。编码是在码位和字节序列之间转换时使用的算法。在 UTF-8 编码中，A（U+0041）的码位编码成单个字节 \x41，而在 UTF-16LE 编码中编码成两个字节 \x41\x00。再举个例子，欧元符号（U+20AC）在 UTF-8 编码中是三个字节——\xe2\x82\xac，而在 UTF-16LE 中编码成两个字节：\xac\x20。

把码位转换成字节序列的过程是编码；把字节序列转换成码位的过程是解码。

s = 'café'
print(len(s))
>>>
4
<<<

b = s.encode('utf8')
print(b)
>>>
b'caf\xc3\xa9'
<<<

print(len(b))
>>>
5
<<<

b.decode('utf8')
print(b)
>>>
café
<<<

字节概要

Python 内置了两种基本的二进制序列类型：Python 3 引入的不可变 bytes 类型和 Python 2.6 添加的可变 bytearray 类型。

bytes 或 bytearray 对象的各个元素是介于 0~255（含）之间的整数，而不像 Python 2 的 str 对象那样是单个的字符。然而，二进制序列的切片始终是同一类型的二进制序列，包括长度为 1 的切片。

cafe = bytes('café', encoding='utf_8')
print(cafe) 							# 编码序列
>>>
b'caf\xc3\xa9'
<<<

print(cafe[0])
>>>
99
<<<

print(cafe[:1])
>>>
b'c'
<<<

cafe_arr = bytearray(cafe)
print(cafe_arr)
>>>
bytearray(b'caf\xc3\xa9')
<<<

print(cafe_arr[-1:])
>>>
bytearray(b'\xa9')
<<<

cafe_arr_tmp = cafe_arr
cafe_arr_tmp[-1] = 79
print(cafe_arr)							# bytearray 可变对象测试
>>>
bytearray(b'caf\xc3O')
<<<

print(id(cafe_arr) == id(cafe_arr_tmp))	# 修改后仍然是同一对象
>>>
True
<<<

my_bytes[0] 获取的是一个整数，而 my_bytes[:1] 返回的是一个长度为 1 的 bytes 对象——这一点应该会让人意外。s[0] == s[:1] 只对 str 这个序列类型成立。不过，str 类型的这个行为十分罕见。对其他各个序列类型来说，s[i] 返回一个元素，而 s[i:i+1] 返回一个相同类型的序列，里面是 s[i] 元素。