python中bytes和str

1、python中bytes和str

Python3 最重要的新特性大概要算是对文本（text）和二进制数据（binary data）作了更为清晰的区分

（1）Python 3.0使用文本和（二进制）数据的概念而不是Unicode字符串和8位字符串。所有文本都是Unicode; 但编码的 Unicode表示为二进制数据。用于保存文本str的类型是用于保存数据的类型 bytes。与2.x情况的最大区别在于，任何在Python 3.0中混合文本和数据的尝试都会提高 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）字节，但UnicodeDecodeError如果它包含非ASCII值，则会得到 。多年来，这种特定价值的行为造成了许多悲伤的面孔。、

（2）您不能再将u"..."文字用于Unicode文本。但是，您必须将b"..."文字用于二进制数据。

（3）由于str和bytes类型不能混合，因此必须始终在它们之间进行显式转换。使用str.encode() 从去str到bytes，并bytes.decode() 从去bytes到str。你也可以分别使用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释。这意味着原始字符串中的转义'\U'和'\u'转义不会被特别处理。例如，r'\u20ac'Python 3.0中是一个包含6个字符的字符串，而在2.6中，ur'\u20ac'则是单个“euro”字符。（当然，此更改仅影响原始字符串文字;欧元字符'\u20ac'在Python 3.0中。

总结bytes和str的区别：

1、bytes（一堆二进制的数字，如：b'11001010'）主要是给在计算机看的，string主要是给人看的

首先计算机能存储的唯一东西就是 bytes。所以为了在计算机中存储东西，我们首先得将其编码（encode），例如将其转化为 bytes。比如：
要想保存音乐，我们首先得用 MP3, WAV 等将其编码
要想保存图片，我们首先得用 PNG, JPEG 等将其编码
要想保存文本，我们首先得用 ASCII, UTF-8 等将其编码
Unicode 是字符集，不是字符编码。Unicode 把全世界的字符都搜集并且编号了，但是没有规定具体的编码规则。编码规则有 UTF-8、GBK 之类的。

Python3 不会以任意隐式的方式混用 str 和 bytes。正是这使得两者的区分特别清晰，你不能拼接字符串和字节包，也无法在字节包里搜索字符串（反之亦然），也不能将字符串传入参数为字节包的函数（反之亦然）。

2、中间有个桥梁就是编码规则，现在大趋势是utf8

例如：在编辑和保存文件时，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件：

 

3、bytes对象是二进制，很容易转换成16进制，例如\x64

4、string就是我们看到的内容，例如'abc'

5、string经过编码encode，转化成二进制对象，给计算机识别

6、bytes经过反编码decode，转化成string，让我们看，但是注意反编码的编码规则是有范围,\xc8就不是utf8识别的范围

2、bytes和str的相互转换

（1）string to bytes

按 utf-8 的方式编码，转成 bytes

 >>> string='good job' #str类型
 >>> str_to_byte=string.encode('utf-8') #转换为bytes类型
 >>> type(string)
 <class 'str'>
 >>> type(str_to_byte)
 <class 'bytes'>
 >>> print(str_to_byte)
 b'good job'
 >>>

按 gb2312 的方式编码，转成 bytes

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

（2）bytes 转换为s't'r

解码成 string，默认不填

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

解码成 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'
>>>

 

补充：字符编码

我们已经讲过了，字符串也是一种数据类型，但是，字符串比较特殊的是还有一个编码问题。因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字（二进制）才能处理。最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是255（二进制11111111=十进制255），如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是65535，4个字节可以表示的最大整数是4294967295。由于计算机是美国人发明的，因此，最早只有127个字符被编码到计算里，也就是大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122。但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以，中国制定了GB2312编码，用来把中文编进去。你可以想得到的是，全世界有上百种语言，日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里，各国有各国的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。

因此，Unicode应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。Unicode标准也在不断发展，但最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）。现代操作系统和大多数编程语言都直接支持Unicode。

现在，捋一捋ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码通常是2个字节。

字母A用ASCII编码是十进制的65，二进制的01000001；

字符0用ASCII编码是十进制的48，二进制的00110000，注意字符'0'和整数0是不同的；

汉字中已经超出了ASCII编码的范围，用Unicode编码是十进制的20013，二进制的01001110 00101101。

你可以猜测，如果把ASCII编码的A用Unicode编码，只需要在前面补0就可以，因此，A的Unicode编码是00000000 01000001。

新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算。

所以，本着节约的精神，又出现了把Unicode编码转化为“可变长编码”的UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间：

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

从上面的表格还可以发现，UTF-8编码有一个额外的好处，就是ASCII编码实际上可以被看成是UTF-8编码的一部分，所以，大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。

搞清楚了ASCII、Unicode和UTF-8的关系，我们就可以总结一下现在计算机系统通用的字符编码工作方式：

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。

用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件：

浏览网页的时候，服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器：

所以你看到很多网页的源码上会有类似<meta charset="UTF-8" />的信息，表示该网页正是用的UTF-8编码。