python中bytes和str

1、python中bytes和str

Python3 最重要的新特性大概要算是對文本（text）和二進制數據（binary data）作了更為清晰的區分

（1）Python 3.0使用文本和（二進制）數據的概念而不是Unicode字符串和8位字符串。所有文本都是Unicode; 但編碼的 Unicode表示為二進制數據。用於保存文本str的類型是用於保存數據的類型 bytes。與2.x情況的最大區別在於，任何在Python 3.0中混合文本和數據的嘗試都會提高 TypeError，而如果你要在Python 2.x中混合使用Unicode和8位字符串，那么如果8位字符串可以使用它碰巧只包含7位（ASCII）字節，但UnicodeDecodeError如果它包含非ASCII值，則會得到 。多年來，這種特定價值的行為造成了許多悲傷的面孔。、

（2）您不能再將u"..."文字用於Unicode文本。但是，您必須將b"..."文字用於二進制數據。

（3）由於str和bytes類型不能混合，因此必須始終在它們之間進行顯式轉換。使用str.encode() 從去str到bytes，並bytes.decode() 從去bytes到str。你也可以分別使用bytes(s, encoding=...) 和str(b,encoding=...).

>>> b=b'good'
>>> print(type(b)) <class 'bytes'>
>>> str(b3,encoding='utf-8') 'example'
>>> print(type(str(b3,encoding='utf-8'))) <class 'str'>
>>>

4）原始字符串文字中的所有反斜杠都按字面解釋。這意味着原始字符串中的轉義'\U'和'\u'轉義不會被特別處理。例如，r'\u20ac'Python 3.0中是一個包含6個字符的字符串，而在2.6中，ur'\u20ac'則是單個“euro”字符。（當然，此更改僅影響原始字符串文字;歐元字符'\u20ac'在Python 3.0中。

總結bytes和str的區別：

1、bytes（一堆二進制的數字，如：b'11001010'）主要是給在計算機看的，string主要是給人看的

首先計算機能存儲的唯一東西就是 bytes。所以為了在計算機中存儲東西，我們首先得將其編碼（encode），例如將其轉化為 bytes。比如：
要想保存音樂，我們首先得用 MP3, WAV 等將其編碼
要想保存圖片，我們首先得用 PNG, JPEG 等將其編碼
要想保存文本，我們首先得用 ASCII, UTF-8 等將其編碼
Unicode 是字符集，不是字符編碼。Unicode 把全世界的字符都搜集並且編號了，但是沒有規定具體的編碼規則。編碼規則有 UTF-8、GBK 之類的。

Python3 不會以任意隱式的方式混用 str 和 bytes。正是這使得兩者的區分特別清晰，你不能拼接字符串和字節包，也無法在字節包里搜索字符串（反之亦然），也不能將字符串傳入參數為字節包的函數（反之亦然）。

2、中間有個橋梁就是編碼規則，現在大趨勢是utf8

例如：在編輯和保存文件時，從文件讀取的UTF-8字符被轉換為Unicode字符到內存里，編輯完成后，保存的時候再把Unicode轉換為UTF-8保存到文件：

 

3、bytes對象是二進制，很容易轉換成16進制，例如\x64

4、string就是我們看到的內容，例如'abc'

5、string經過編碼encode，轉化成二進制對象，給計算機識別

6、bytes經過反編碼decode，轉化成string，讓我們看，但是注意反編碼的編碼規則是有范圍,\xc8就不是utf8識別的范圍

2、bytes和str的相互轉換

（1）string to bytes

按 utf-8 的方式編碼，轉成 bytes

>>> string='good job' #str類型
>>> str_to_byte=string.encode('utf-8') #轉換為bytes類型
>>> type(string)
<class 'str'>
>>> type(str_to_byte)
<class 'bytes'>
>>> print(str_to_byte)
b'good job'
>>>

按 gb2312 的方式編碼，轉成 bytes

>>> str_t_bytes=string.encode('gb2312')
>>> type(str_t_bytes)
<class 'bytes'>
>>> print(str_t_bytes)
b'good job'
>>>

 

（2）bytes 轉換為s't'r

解碼成 string，默認不填

>>> website_string = website_bytes_utf8.decode()
>>> type(website_string)
<class 'str'>
>>> website_string
>>>'http://www.jb51.net/'

 

解碼成 string，使用 gb2312 的方式

>>> str='good job'
>>> website_bytes_gb2312=str.encode('gb2312')
>>> type(website_bytes_gb2312)
<class 'bytes'>
>>> website_string_gb2312=website_bytes_gb2312.decode('gb2312')
<class 'str'>
>>> website_string_gb2312
'good job'
>>>

 

 

 

補充：字符編碼

        我們已經講過了，字符串也是一種數據類型，但是，字符串比較特殊的是還有一個編碼問題。因為計算機只能處理數字，如果要處理文本，就必須先把文本轉換為數字（二進制）才能處理。最早的計算機在設計時采用8個比特（bit）作為一個字節（byte），所以，一個字節能表示的最大的整數就是255（二進制11111111=十進制255），如果要表示更大的整數，就必須用更多的字節。比如兩個字節可以表示的最大整數是65535，4個字節可以表示的最大整數是4294967295。由於計算機是美國人發明的，因此，最早只有127個字符被編碼到計算里，也就是大小寫英文字母、數字和一些符號，這個編碼表被稱為ASCII編碼，比如大寫字母A的編碼是65，小寫字母z的編碼是122。但是要處理中文顯然一個字節是不夠的，至少需要兩個字節，而且還不能和ASCII編碼沖突，所以，中國制定了GB2312編碼，用來把中文編進去。你可以想得到的是，全世界有上百種語言，日本把日文編到Shift_JIS里，韓國把韓文編到Euc-kr里，各國有各國的標准，就會不可避免地出現沖突，結果就是，在多語言混合的文本中，顯示出來會有亂碼。

       因此，Unicode應運而生。Unicode把所有語言都統一到一套編碼里，這樣就不會再有亂碼問題了。Unicode標准也在不斷發展，但最常用的是用兩個字節表示一個字符（如果要用到非常偏僻的字符，就需要4個字節）。現代操作系統和大多數編程語言都直接支持Unicode。

現在，捋一捋ASCII編碼和Unicode編碼的區別：ASCII編碼是1個字節，而Unicode編碼通常是2個字節。

字母A用ASCII編碼是十進制的65，二進制的01000001；

字符0用ASCII編碼是十進制的48，二進制的00110000，注意字符'0'和整數0是不同的；

漢字中已經超出了ASCII編碼的范圍，用Unicode編碼是十進制的20013，二進制的01001110 00101101。

你可以猜測，如果把ASCII編碼的A用Unicode編碼，只需要在前面補0就可以，因此，A的Unicode編碼是00000000 01000001。

新的問題又出現了：如果統一成Unicode編碼，亂碼問題從此消失了。但是，如果你寫的文本基本上全部是英文的話，用Unicode編碼比ASCII編碼需要多一倍的存儲空間，在存儲和傳輸上就十分不划算。

所以，本着節約的精神，又出現了把Unicode編碼轉化為“可變長編碼”的UTF-8編碼。UTF-8編碼把一個Unicode字符根據不同的數字大小編碼成1-6個字節，常用的英文字母被編碼成1個字節，漢字通常是3個字節，只有很生僻的字符才會被編碼成4-6個字節。如果你要傳輸的文本包含大量英文字符，用UTF-8編碼就能節省空間：

字符	ASCII	Unicode	UTF-8
A	01000001	00000000 01000001	01000001
中	x	01001110 00101101	11100100 10111000 10101101

從上面的表格還可以發現，UTF-8編碼有一個額外的好處，就是ASCII編碼實際上可以被看成是UTF-8編碼的一部分，所以，大量只支持ASCII編碼的歷史遺留軟件可以在UTF-8編碼下繼續工作。

搞清楚了ASCII、Unicode和UTF-8的關系，我們就可以總結一下現在計算機系統通用的字符編碼工作方式：

在計算機內存中，統一使用Unicode編碼，當需要保存到硬盤或者需要傳輸的時候，就轉換為UTF-8編碼。

用記事本編輯的時候，從文件讀取的UTF-8字符被轉換為Unicode字符到內存里，編輯完成后，保存的時候再把Unicode轉換為UTF-8保存到文件：

 

瀏覽網頁的時候，服務器會把動態生成的Unicode內容轉換為UTF-8再傳輸到瀏覽器：

 

所以你看到很多網頁的源碼上會有類似<meta charset="UTF-8" />的信息，表示該網頁正是用的UTF-8編碼。