3-5　字符串与字符

在Python中没有所谓的字符（character）数据，如果字符串含一个字符，我们称这是含一个字符的字符串。

3-5-1　ASCII码

计算器内部最小的存储单位是 位 （bit），这个 位 只能存储0或1。一个英文字符在计算器中是被存储成8个位的一连串0或1中，存储这个英文字符的编码称为ASCII（American Standard Code for Information Interchange，美国信息交换标准程序代码），有关ASCII码的内容可以参考附录E。

在这个ASCII表中由于是用8位定义一个字符，所以使用了0～127定义了128个字符，在这128个字符中有33个字符是无法显示的控制字符，其他则是可以显示的字符。不过有一些应用程序扩充了功能，让部分控制字符可以显示，例如，扑克牌花色、笑脸等。至于其他可显示字符有一些符号，例如+、-、=、0～9、A～Z或a～z等。这些符号每一个都有一个编码，我们称这个编码是ASCII码。

可以使用下列函数执行数据的转换。

chr（ x ） ：返回函数x值的ASCII或Unicode字符。

例如，从ASCII表可知，字符a的ASCII码值是97，可以使用下列方式打印出此字符。

英文小写与英文大写的码值相差32，可参考下列实例。

3-5-2　Unicode码

计算机是美国发明的，因此ASCII码对于英语系国家的确很好用，但是地球是一个多种族的社会，存在几百种语言与文字，ASCII所能容纳的字符是有限的，只要随便一个不同语系的外来词，例如 ，含重音字符就无法显示了，更何况有几万中文字或其他语系文字。为了让全球语系的用户可以彼此用计算机沟通，因此有了Unicode码。

Unicode码的基本精神是，世上所有的文字都有一个码值，可以参考下列网页：

http://www.unicode.org/charts

目前，Unicode内定义了超过11万的文字，它的定义方式是以“\u”开头后面有4个十六进制的数字，所以是从“\u0000”至“\uFFFF”。在上述网页中可以看到不同语系表，其中，East Asian Scripts字段可以看到 CJK （ C hinese， J apanese， K orean），在这里可以看到汉字的Unicode码值表，CJK统一汉字的编码为4E00～9FBB。

在Unicode编码中，前128个码值是保留给ASCII码使用，所以对于原先存在ASCII码中的英文大小写、标点符号等，是可以正常在Unicode码中使用的，Unicode编码中经常用的是ord( )函数。

ord（ x ） ：可以返回函数字符参数x的Unicode码值，如果是中文字也可返回Unicode码值。如果是英文字符，Unicode码值与ASCII码值是一样的。有了这个函数，可以很轻易地获得字符的Unicode码值。

程序实例ch3_23.py： 这个程序首先会将整数97转换成英文字符‘a’，然后将字符‘a’转换成Unicode码值，最后将中文字‘魁’转成Unicode码值。

执行结果

3-5-3　utf-8编码

utf-8是针对Unicode字符集的可变长度编码方式，这是Internet目前所遵循的编码方式，在这种编码方式下，utf-8使用1～4个byte表示一个字符，这种编码方式会根据不同的字符变化编码长度。

ASCII使用utf-8编码规则

对于ASCII字符而言，基本上它使用1个byte存储ASCII字符，utf-8的编码方式是byte的第一个位是0，其他7个位则是此字符的ASCII码值。

中文字的utf-8编码规则

对于需要n个byte编码的Unicode汉字字符而言，例如需要3个byte编码的汉字，第一个byte的前n(3)位皆设为1，n+1(4)设为0。后面第2和第3个byte的前2位是10，其他没有说明的二进制全部是此汉字字符的Unicode码。依照此规则，可以得到汉字的utf-8编码规则如下：

    1110xxxx 10xxxxxx 10xxxxxx      # xx就是要填入的Unicode码

例如，从ch3_23.py的执行结果可知“魁”的Unicode码值是0x9b41，如果转成二进制方式则如下所示：

    10011011 01000001

我们可以用下列更细的方式，将“魁”的Unicode码值填入xx内。

从上图可以得到“魁”的utf-8编码结果是0xe9ad81，3-6-1节的实例2也可以验证这个结果。 8hvdq+SGFHlOaM/hz9ChYGFYEVu1qa3kW9m5TcQPpI0crUvsZBeZtlNMJXvKEIMo