Python3中的bytes類型和str類型

前言:

Python 3最重要的新特性之一是對字符串和二進制數據流做瞭明確的區分。文本總是Unicode,由str類型表示,二進制數據則由bytes類型表示。Python 3不會以任意隱式的方式混用str和bytes,你不能拼接字符串和字節流,也無法在字節流裡搜索字符串(反之亦然),也不能將字符串傳入參數為字節流的函數(反之亦然)。

下面讓我們深入分析一下二者的區別和聯系。

編碼發展的歷史

在談bytes和str之前,需要先說說關於編碼是如何發展的。。

在計算機歷史的早期,美國為代表的英語系國傢主導瞭整個計算機行業,26個英文字母組成瞭多樣的英語單詞、語句、文章。因此,最早的字符編碼規范是ASCII碼,一種8位即1個字節的編碼規范,它可以涵蓋整個英語系的編碼需要。

編碼是什麼?編碼就是把一個字符用一個二進制來表示。我們都知道,所有的東西,不管是英文、中文還是符號等等,最終存儲在磁盤上都是01010101這類東西。在計算機內部,讀取和存儲數據歸根結底,處理的都是0和1組成的比特流。問題來瞭,人類看不懂這些比特流,如何讓這些010101對人類變得可讀呢?於是出現瞭字符編碼,它是個翻譯機,在計算機內部某個地方,透明的幫我們將比特流翻譯成人類可以直接理解的文字。對於一般用戶,不需要知道這個過程是什麼原理,是怎麼執行的。但是對於程序員卻是個必須搞清楚的問題。

以ASCII編碼為例,它規定1個字節8個比特位代表1個字符的編碼,也就是“00000000”這麼寬,一個一個字節的解讀。例如:01000001表示大寫字母A,有時我們會“偷懶"的用65這個十進制來表示A在ASCII中的編碼。8個比特位,可以沒有重復的最多表示2的8次方(255)個字符。

後來,計算機得到普及,中文、日文、韓文等等國傢的文字需要在計算機內表示,ASCII的255位遠遠不夠,於是標準組織制定出瞭叫做UNICODE的萬國碼,它規定任何一個字符(不管哪國的)至少以2個字節表示,可以更多。其中,英文字母就是用2個字節,而漢字是3個字節。這個編碼雖然很好,滿足瞭所有人的要求,但是它不兼容ASCII,同時還占用較多的空間和內存。因為,在計算機世界更多的字符是英文字母,明明可以1個字節就能夠表示,非要用2個。

於是UTF-8編碼應運而生,它規定英文字母系列用1個字節表示,漢字用3個字節表示等等。因此,它兼容ASCII,可以解碼早期的文檔。UTF-8很快就得到瞭廣泛的應用。

在編碼的發展歷程中,我國還創造瞭自己的編碼方式,例如GBK,GB2312,BIG5。他們隻局限於在國內使用,不被國外認可。在GBK編碼中,中文漢字占2個字節。

bytes和str之間的異同

回到bytes和str的身上。bytes是一種比特流,它的存在形式是01010001110這種。我們無論是在寫代碼,還是閱讀文章的過程中,肯定不會有人直接閱讀這種比特流,它必須有一個編碼方式,使得它變成有意義的比特流,而不是一堆晦澀難懂的01組合。因為編碼方式的不同,對這個比特流的解讀也會不同,對實際使用造成瞭很大的困擾。

下面讓我們看看Python是如何處理這一系列編碼問題的:

>>> s = "中文"
>>> s
'中文'
>>> type(s)
<class 'str'>
>>> b = bytes(s, encoding='utf-8')
>>> b
b'\xe4\xb8\xad\xe6\x96\x87'
>>> type(b)
<class 'bytes'>

從例子可以看出,s是個字符串類型。Python有個內置函數bytes()可以將字符串str類型轉換成bytes類型,b實際上是一串01的組合,但為瞭在ide環境中讓我們相對直觀的觀察,它被表現成瞭b’\xe4\xb8\xad\xe6\x96\x87’這種形式,開頭的b表示這是一個bytes類型。

\xe4是十六進制的表示方式,它占用1個字節的長度,因此”中文“被編碼成utf-8後,我們可以數得出一共用瞭6個字節,每個漢字占用3個,這印證瞭上面的論述。在使用內置函數bytes()的時候,必須明確encoding的參數,不可省略。

我們都知道,字符串類str裡有一個encode()方法,它是從字符串向比特流的編碼過程。而bytes類型恰好有個decode()方法,它是從比特流向字符串解碼的過程。除此之外,我們查看Python源碼會發現bytes和str擁有幾乎一模一樣的方法列表,最大的區別就是encode和decode。

從實質上來說,字符串在磁盤上的保存形式也是01的組合,也需要編碼解碼。

如果,上面的闡述還不能讓你搞清楚兩者的區別,那麼記住下面兩幾句話:

  • 在將字符串存入磁盤和從磁盤讀取字符串的過程中,Python自動地幫你完成瞭編碼和解碼的工作,你不需要關心它的過程。
  • 使用bytes類型,實質上是告訴Python,不需要它幫你自動地完成編碼和解碼的工作,而是用戶自己手動進行,並指定編碼格式。
  • Python已經嚴格區分瞭bytes和str兩種數據類型,你不能在需要bytes類型參數的時候使用str參數,反之亦然。這點在讀寫磁盤文件時容易碰到。

在bytes和str的互相轉換過程中,實際就是編碼解碼的過程,必須顯式地指定編碼格式。

'''
學習中遇到問題沒人解答?小編創建瞭一個Python學習交流QQ群:857662006
尋找有志同道合的小夥伴,互幫互助,群裡還有不錯的視頻學習教程和PDF電子書!
'''
>>> b
b'\xe4\xb8\xad\xe6\x96\x87'
>>> type(b)
<class 'bytes'>
>>> s1 = str(b)
>>> s1
"b'\\xe4\\xb8\\xad\\xe6\\x96\\x87'"
>>> type(s1)
<class 'str'>
>>> s1 = str(b, encoding='utf-8')
>>> s1
'中文'
>>> type(s1)
<class 'str'>

我們再把字符串s1,轉換成gbk編碼的bytes類型:

>>> s1
'中文'
>>> type(s1)
<class 'str'>
>>> b = bytes(s1, encoding='gbk')
>>> b
b'\xd6\xd0\xce\xc4'

到此這篇關於Python3中的bytes類型和str類型的文章就介紹到這瞭,更多相關Python bytes和str內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: