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我们称 ASCII （American Standard Code for Information Interchange，美国信息交换标准程序代码），有关ASCII码的内容可以扫码查看。

这个ASCII表中，由于是用8个位定义一个字符，所以使用了0～127定义了128个字符，在这个128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、a～z等。这些符号皆有一个编码，我们称这个编码是ASCII码。

我们可以使用下列函数执行数据的转换。

chr（ x ）： 可以回传函数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：café，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码的设计。

Unicode码的基本精神是，所有的文字皆有一个码值，我们也可以将Unicode想成是一个字符集。

目前Unicode使用16位定义文字，2 ¹⁶ 等于65536，相当于定义了65536个字符，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。不同语系表中的East Asian Scripts字段可以看到 CJK ，这是Chinese、Japanese与Korean的缩写，在这里可以看到汉字的Unicode码值表，CJK统一 汉字的编码 是在 4E00～9FBB 。

在Unicode编码中，前128个码值保留给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，可以正常在Unicode码中使用，在应用Unicode编码中我们很常用的是ord（ ）函数。

ord（ x ）： 可以回传函数字符参数x的Unicode码值，如果是中文字也可回传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，我们可以很轻易地获得自己名字的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 ，这是因特网目前所遵循的编码方式，在这种编码方式下，utf-8使用1～4个字节表示一个字符，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。

汉字的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编码的中文字，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如下所示：

     10011011 01000001

我们可以用下列更详细的方式，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。 GR1PA/mWVI5wvSFoePyUgrB+VbV9RT4zNWvwmxz8o2JJ6Yuktl8cYSuMTExwgGAU