字符串

概念

• unicode是字符集，utf-8/gbk的编码规则
• python2中str存储字节码(bytes)
• unicode使用编码转换成str， u'中文'.encode('utf-8')
• Python3中的str相当于python2中的unicode

unicode字符集：每一个符号对应一个编码，中文从U+4E00～U+9FFF。

字节码：字符串(unicode)经过编码形成字节码，以'b开头。

字符串：字节码经过解码形成字符串。

>>> bytes_code = '中文'.encode()
>>> type(bytes_code)
<class 'bytes'>
>>> '中文'.encode()
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中文'.encode('utf-8')
b'\xe4\xb8\xad\xe6\x96\x87'
>>> '中文'.encode('gbk')
b'\xd6\xd0\xce\xc4'
>>> '中文'.encode('utf-8').decode()
'中文'

UTF-8编码规则

• 变长
• 单字节符号，字节每1位为0，可表示asci码
• 对于n字节的符号，每1个字节的前n位都设为1，后面的n+1位设为0，通过1的位数即可知道占用字节数。后面字节的前两位全部设置为10（why?），剩下没有设置的位则表示unicode码。

扩展：自定义实现Utf-8编码。

大端对齐与小端对齐

高位字节保存到高位地址，低位字节保存在低位地址称之为大端对齐（大端序），反之为小端对齐。

unicode规范中，如果一个文本文件的头两个字节是FE FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。

转义

单引号和双引号无区别，混合使用时无需转义。

>>> "a\"b"
'a"b'
>>> "a'b"
"a'b"
>>> """a'b"""
"a'b"
>>> 'a''b''c'
'abc'
>>> 'a"b'
'a"b'

查找

可通过find、rfind、index等多种方式查找：

>>> 'abcab'.find('ab')
0
>>> 'abcab'.rfind('ab')
3
>>> 'abcab'.index('ab')
0
>>> 'abcab'.find('ac')
-1
>>> 'abcab'.rfind('ac')
-1
>>> 'abcab'.index('ac')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: substring not found

替换

python3中replace是全部替换：

>>> 'This is a test'.replace('s', 'a')
'Thia ia a teat'

其他

查看默认解码方式：sys.getdefaultencoding()