Skip to content

4. 字符串

Image

4.1. 脚本 [str_01]：字符串的表示法

脚本 [str_01] 如下：


# 字符串
# 三种可能的表示形式
chaine1 = "un"
chaine2 = 'deux'
chaine3 = """hélène va au
 marché acheter des légumes"""
# 显示
print(f"chaine1=[{chaine1}], chaine2=[{chaine2}], chaine3=[{chaine3}]")

注释

  • 第 3 行：由双引号 " 限定的字符串；
  • 第 4 行：由单引号 ' 限定的字符串；
  • 第 5 行：由三个引号 """ 包围的字符串。在此情况下，该字符串可跨多行；

结果如下：


C:\Data\st-2020\dev\python\cours-2020\python3-flask-2020\venv\Scripts\python.exe C:/Data/st-2020/dev/python/cours-2020/python3-flask-2020/strings/str_01.py
chaine1=[un], chaine2=[deux], chaine3=[hélène va au
 marché acheter des légumes]

Process finished with exit code 0

4.2. 脚本 [str_02]：<str> 类的的方法

脚本 [str_02] 展示了字符串类 <str> 的部分方法：


# 字符串函数
# 小写字符串
print(f"'ABCD'.lower()={'ABCD'.lower()}")
# 大写字符串
print(f"'abcd'.upper()={'abcd'.upper()}")
# 第 2 个字符
print(f"'cheval[2]={'cheval'[2]}")
# 包含第 5 和第 6 个字符的子字符串
print(f"'caractères accentués'[5:7]={'caractères accentués'[5:7]}")
# 从第 4 个字符（含）开始的子字符串
print(f"'caractères accentués'[4:]={'caractères accentués'[4:]}")
# 截至第 6 个字符（不包括该字符）的子字符串
print(f"'caractères accentués'[:5]={'caractères accentués'[:5]}")
# 字符串长度
print(f"len('123')={len('123')}")
# 去除字符串前后的空格
print(f"'  abcd '.strip()=[{'  abcd '.strip()}]")
# 删除字符串后面的空格
print(f"'  abcd '.rstrip()=[{'  abcd '.rstrip()}]")
# 删除字符串前面的空格
print(f"'  abcd '.lstrip()=[{'  abcd '.lstrip()}]")
# “空白”一词实际上涵盖了不同的字符
str = '  \r\nabcd \t\f'
print(f"str.strip()=[{str.strip()}]")
# 用一个子字符串替换另一个
print(f"'abcd'.replace('a','x')={'abcd'.replace('a', 'x')}")
print(f"'abcd'.replace('ab','xy')={'abcd'.replace('ab', 'xy')}")
# 查找子字符串：返回位置，若未找到则返回 -1
print(f"'abcd'.find('bc')={'abcd'.find('bc')}")
print(f"'abcd'.find('bc')={'abcd'.find('Bc')}")
# 字符串开头
print(f"'abcd'.startswith('ab')={'abcd'.startswith('ab')}")
print(f"'abcd'.startswith('x')={'abcd'.startswith('x')}")
# 字符串结尾
print(f"'abcd'.endswith('cd')={'abcd'.endswith('cd')}")
print(f"'abcd'.endswith('x')={'abcd'.endswith('x')}")
# 将字符串列表转换为字符串
print(f"'[X]'.join(['abcd', '123', 'èéà'])={'[X]'.join(['abcd', '123', 'èéà'])}")
print(f"''.join(['abcd', '123', 'èéà'])={''.join(['abcd', '123', 'èéà'])}")
# 从字符串转换为字符串列表
print(f"'abcd 123 cdXY'.split('cd')={'abcd 123 cdXY'.split('cd')}")
# 提取字符串中的单词
print(f"'abcd 123 cdXY'.split(None)={'abcd 123 cdXY'.split(None)}")

结合注释和生成的结果，足以理解该脚本。结果如下：


C:\Data\st-2020\dev\python\cours-2020\python3-flask-2020\venv\Scripts\python.exe C:/Data/st-2020/dev/python/cours-2020/python3-flask-2020/strings/str_02.py
'ABCD'.lower()=abcd
'abcd'.upper()=ABCD
'马[2]=e
'带重音的字符'[5:7]=tè
'带重音的字符'[4:]=带重音的字符
'带重音字符'[:5]=带重音字符
len('123')=3
'  abcd '.strip()=[abcd]
'  abcd '.rstrip()=[  abcd]
'  abcd '.lstrip()=[abcd ]
str.strip()=[abcd]
'abcd'.replace('a','x')=xbcd
'abcd'.replace('ab','xy')=xycd
'abcd'.find('bc')=1
'abcd'.find('bc')=-1
'abcd'.startswith('ab')=True
'abcd'.startswith('x')=False
'abcd'.endswith('cd')=True
'abcd'.endswith('x')=False
'[X]'.join(['abcd', '123', 'èéà'])=abcdQZXW2HTMLBW1hdZQX123QZXW2HTMLBW1hdZQXèéà
''.join(['abcd', '123', 'èéà'])=abcd123èéà
'abcd 123 cdXY'.split('cd')=['ab', ' 123 ', 'XY']
'abcd 123 cdXY'.split(None)=['abcd', '123', 'cdXY']

Process finished with exit code 0

4.3. 脚本 [str_03]：字符串编码（1）

脚本 [str_03] 介绍了字符串编码的相关概念：


# 字符编码

# 字符串类型
str = "hélène va au marché acheter des légumes"
print(f"str=[{str}, type={type(str)}]")
# utf-8编码
print("--- utf-8")
bytes1 = str.encode('utf-8')
print(f"bytes1={bytes1}, type={type(bytes1)}")
bytes2 = bytes(str, 'utf-8')
print(f"bytes2={bytes2}, type={type(bytes2)}")
# iso-8859-1编码
print("--- iso-8859-1")
bytes1 = str.encode('iso-8859-1')
print(f"bytes1={bytes1}, type={type(bytes1)}")
bytes2 = bytes(str, 'iso-8859-1')
print(f"bytes2={bytes2}, type={type(bytes2)}")
# 编码 latin1=iso-8859-1
print("--- latin1")
bytes1 = str.encode('latin1')
print(f"bytes1={bytes1}, type={type(bytes1)}")
bytes2 = bytes(str, 'latin1')
print(f"bytes2={bytes2}, type={type(bytes2)}")

对 <str> 类型的字符串进行编码会生成一个二进制字符串，其中字符串中的每个字符都由一个或多个字节表示。编码类型多种多样。上述脚本介绍了西方最常用的两种编码：“utf-8”和“iso-8859-1”（也称为“latin1”）。

编码/解码的原理如下所示（参考 |https://realpython.com/python-encodings-guide/ |）：

Image

注释

结果如下：


C:\Data\st-2020\dev\python\cours-2020\python3-flask-2020\venv\Scripts\python.exe C:/Data/st-2020/dev/python/cours-2020/python3-flask-2020/strings/str_03.py
str=[hélène va au marché acheter des légumes, type=<class 'str'>
--- utf-8
bytes1=b'h\xc3\xa9l\xc3\xa8ne va au march\xc3\xa9 acheter des l\xc3\xa9gumes', type=<class 'bytes'>
bytes2=b'h\xc3\xa9l\xc3\xa8ne va au march\xc3\xa9 acheter des l\xc3\xa9gumes', type=<class 'bytes'>
--- iso-8859-1
bytes1=b'h\xe9l\xe8ne va au march\xe9 acheter des l\xe9gumes', type=<class 'bytes'>
bytes2=b'h\xe9l\xe8ne va au march\xe9 acheter des l\xe9gumes', type=<class 'bytes'>
--- latin1
bytes1=b'h\xe9l\xe8ne va au march\xe9 acheter des l\xe9gumes', type=<class 'bytes'>
bytes2=b'h\xe9l\xe8ne va au march\xe9 acheter des l\xe9gumes', type=<class 'bytes'>

Process finished with exit code 0

注释

  • 第4行：可以看到带重音的字符被编码为两个字节：
    • é：[\xc3\xa9]，即二进制序列 11000011 10101001；
    • è：[\xc3\xa8]，其二进制序列为 11000011 10101000；
  • 第7行：采用ISO-8859-1编码时，这两个带重音的字符编码方式不同：
    • é：[\xe9]，其二进制序列为 11101001；
    • è：[\xe8]，其二进制序列为 11101000；

4.4. 脚本 [str_04]：字符串编码（2）

脚本 [str_04] 介绍了另外两种编码类型：'base64' 和 'quoted-printable'。这两种编码并非对 Unicode 字符串进行编码，而是对二进制对象进行编码。 例如，当将 Word 文档作为邮件附件发送时，该文档将根据所使用的邮件客户端采用上述两种编码方式之一。大多数附件文件均会经历此过程。

脚本如下：


# 编码/解码
import codecs

# 字符串
print("---- chaîne unicode")
str1 = "hélène va au marché acheter des légumes"
print(f"str1=[{str1}], type(str1)={type(str1)}")

# 编码 utf-8
print("---- chaîne unicode -> binaire utf-8")
bytes1 = bytes(str1, "utf-8")
print(f"bytes1=[{bytes1}], type(bytes1)={type(bytes1)}")

# UTF-8 解码
print("---- binaire utf-8 -> chaîne unicode")
str2 = bytes1.decode("utf-8")
print(f"str2=[{str2}], type(str2)={type(str2)}")
print(f"str2==str1={str2 == str1}")

# iso-8859-1编码
print("---- chaîne unicode -> binaire iso-8859-1")
bytes2 = bytes(str1, "iso-8859-1")
print(f"bytes2=[{bytes2}], type(bytes2)={type(bytes2)}")

# ISO-8859-1 解码
print("---- binaire iso-8859-1 -> chaîne unicode")
str3 = bytes2.decode("iso-8859-1")
print(f"str3=[{str3}], type(str3)={type(str3)}")
print(f"str3==str1={str3 == str1}")

# 解码错误 - bytes1 为 utf-8 - 正在将其解码为 iso-8859-1
print("--- binaire utf-8 (décodage iso-8859-1) --> chaîne unicode")
str4 = bytes1.decode("iso-8859-1")
print(f"str4=[{str4}], type(str4)={type(str4)}")

# Unicode字符串的UTF-8编码
print("---- chaîne unicode -> binaire utf-8")
bytes3 = codecs.encode(str1, "utf-8")
print(f"bytes3=[{bytes3}], type(bytes3)={type(bytes3)}")

# 将二进制字符串 UTF-8 编码为 base64
print("---- binaire utf-8 -> binaire base64")
bytes4 = codecs.encode(bytes1, "base64")
print(f"bytes4=[{bytes4}], type(bytes4)={type(bytes4)}")

# 还原为原始的 Unicode 字符串
print("---- binaire base64 -> binaire utf-8 -> chaîne unicode")
str6 = codecs.decode(bytes4, "base64").decode("utf-8")
print(f"str6=[{str6}], type(str6)={type(str6)}")

# 将二进制字符串编码为 quoted-printable
print("---- binaire utf-8 -> binaire quoted-printable")
str7 = codecs.encode(bytes1, "quoted-printable")
print(f"str7=[{str7}], type(str7)={type(str7)}")

# 还原为原始 Unicode 字符串
print("---- binaire quoted-printable -> binaire utf-8 -> chaîne unicode")
str8 = codecs.decode(str7, "quoted-printable").decode("utf-8")
print(f"str8=[{str8}], type(str8)={type(str8)}")

注释

  • 第2行：[codecs]模块支持“base64”和“quoted-printable”编码。它还能处理许多其他编码；
  • 第4-7行：将接受各种编码处理的Unicode字符串；
  • 第9-12行：UTF-8编码。最终得到二进制数据；
  • 第14-18行：进行UTF-8解码，以恢复为原始的Unicode字符串；
  • 第20-29行：使用“iso-8859-1”编码重复相同的操作；
  • 第31-34行：展示了一个解码错误：
  • 第 33 行：bytes1 是一个采用 'utf-8' 编码的二进制字符串。将其解码为 'iso-8859-1'；
  • 第 36-39 行：使用 [codecs] 模块将字符串编码为 utf-8 的另一种方法；
  • 第41-44行：将'utf-8'二进制字符串编码为'base64'；
  • 第 46-49 行：演示如何将二进制字符串 'base64' 还原为原始的 Unicode 字符串；
  • 第 51-59 行：重复上述过程，但将 'base64' 编码替换为 'quoted-printable' 编码；

结果如下：


C:\Data\st-2020\dev\python\cours-2020\python3-flask-2020\venv\Scripts\python.exe C:/Data/st-2020/dev/python/cours-2020/python3-flask-2020/strings/str_04.py
---- chaîne unicode
str1=[hélène va au marché acheter des légumes], type(str1)=<class 'str'>
---- chaîne unicode -> binaire utf-8
bytes1=[b'h\xc3\xa9l\xc3\xa8ne va au march\xc3\xa9 acheter des l\xc3\xa9gumes'], type(bytes1)=<class 'bytes'>
---- binaire utf-8 -> chaîne unicode
str2=[hélène va au marché acheter des légumes], type(str2)=<class 'str'>
str2==str1=True
---- chaîne unicode -> binaire iso-8859-1
bytes2=[b'h\xe9l\xe8ne va au march\xe9 acheter des l\xe9gumes'], type(bytes2)=<class 'bytes'>
---- binaire iso-8859-1 -> chaîne unicode
str3=[hélène va au marché acheter des légumes], type(str3)=<class 'str'>
str3==str1=True
--- binaire utf-8 (décodage iso-8859-1) --> chaîne unicode
str4=[hélène va au marché acheter des légumes], type(str4)=<class 'str'>
---- chaîne unicode -> binaire utf-8
bytes3=[b'h\xc3\xa9l\xc3\xa8ne va au march\xc3\xa9 acheter des l\xc3\xa9gumes'], type(bytes3)=<class 'bytes'>
---- binaire utf-8 -> binaire base64
bytes4=[b'aMOpbMOobmUgdmEgYXUgbWFyY2jDqSBhY2hldGVyIGRlcyBsw6lndW1lcw==\n'], type(bytes4)=<class 'bytes'>
---- binaire base64 -> binaire utf-8 -> chaîne unicode
str6=[hélène va au marché acheter des légumes], type(str6)=<class 'str'>
---- binaire utf-8 -> binaire quoted-printable
str7=[b'h=C3=A9l=C3=A8ne=20va=20au=20march=C3=A9=20acheter=20des=20l=C3=A9gumes'], type(str7)=<class 'bytes'>
---- binaire quoted-printable -> binaire utf-8 -> chaîne unicode
str8=[hélène va au marché acheter des légumes], type(str8)=<class 'str'>

Process finished with exit code 0
  • 第14-15行：使用错误的'iso-8859-1'解码器将UTF-8二进制数据解码为Unicode字符串。因此生成的某些Unicode字符不正确，此处为带重音的字符；
  • 第18-19行：'base64'编码是使用64个字符（ASCII，7位编码）来编码任意二进制数据。如所见，这增加了字符串二进制部分的大小；
  • 第22-23行：'quoted-printable'编码同样使用字符ASCII（7位编码）来编码任意二进制数据；

需要注意的是，当从互联网等渠道接收代表文本的二进制数据时，若要还原原始文本，必须了解该数据所经历的编码过程。

https://stahe.github.io
本教程由 Serge Tahé 编写，根据 知识共享 署名-非商业性使用- 相同方式共享 3.0 未本地化.