### 2.3.3 字符的机内表示 和数值一样，字符在计算机内部也是用二进制数表示的，这个二进制数称为该字符的编码。于是，字符串在计算机内自然就用二进制数的序列表示。可以推知，对字符和字符串的 所有操作，实质上都是对二进制数的运算。我们在屏幕上看到各个字符有各自的形状，这只 是计算机的显示系统将字符的编码映射到特定屏幕像素组合的结果。 表示每个字符的二进制编码具体等于几并不重要，我们可以用(1111)2 表示字符 A，也可 以用(0000)2 表示字符 A，这不会带来什么本质的不同，事实上只要确保不同字符有不同的 编码即可。但是，为了在不同计算机之间能够交换信息，避免发生一台计算机上的字符 A（假设编码是(0000)2）传给另一台计算机后被解释成字符 B（假设(0000)2 在这台机器上恰 好是 B 的编码），我们需要统一字符编码。基于这个思想，人们制定了字符集编码标准—— 定义所支持的字符集以及每个字符的二进制编码。 由于计算机是美国人发明的，所以较早出现的一个编码标准是根据美国的使用情况制定 的标准，称为 ASCII①。这个标准也是最重要的，几乎所有计算机都支持 ASCII 的字符编码。 ASCII 使用一个字节的 7 位二进制位来表示字符（最高位恒为 0），这样就只能支持 27 = 128 个字符，各字符的编码如果用十进制表示就是 0～127。ASCII 所定义的字符包括大小写英 文字母、阿拉伯数字、标点符号、空格、回车、换行等，它们分为可打印字符和控制字符两 类。 > ① American Standard Code for Information Interchange 的首字母缩写。 Python 中提供了两个与字符编码有关的函数：ord()函数用于从字符得到其编码，chr() 函数用于从编码得出对应的字符。例如： ``` >>> ord('A') 65 >>> ord('a') 97 >>> ord('8') 56 >>> ord(' ') 32 >>> chr(64) '@' >>> chr(10) '\n' >>> chr(13) '\r' ``` 对此例有几点说明：第四个例子是求空格字符的编码（32）；第六个例子说明编码 10 对应的 字符可以用转义字符\n 表示，它其实就是换行字符；第七个例子说明编码 13 对应的字符可 以用转义字符\r 表示，它其实就是回车字符。换行和回车都是控制字符的例子，控制字符 不像字母数字那样有可打印、显示的形状，但在程序中可以用转义字符来表示某些控制字符。 ASCII 编码的一个问题是支持的字符太少，对美国人来说够用，但对其他国家来说远远 不够。因此产生了各种对 ASCII 的扩充标准。例如针对欧洲语言的 Latin-1 标准将一个字节 的最高位也用上，从而在 ASCII 的基础上增加了 128 个字符。 中国的汉字也是字符，并且数量很大，用一个字节编码是远远不够的。较早的国家标准 GB2312 采用两个字节来对汉字编码，共定义了 6763 个汉字。后来产生了 GBK 规范，仍然 用两个字节编码，但支持 2 万多个汉字。最新的国家标准是 GB18030，它最多可用四个字 节编码，支持 7 万多个汉字。 为了将全世界的字符编码统一起来，国际标准化组织 ISO 制定了一个庞大的字符编码 标准 Unicode。Unicode 最多用四个字节的编码，因此可以囊括地球上所有语言所用到的所 有字符，目前已经得到广泛支持。较新版本的 Python 语言（包括 2.7 版）都支持 Unicode。 下面我们举例说明 Python 对非 ASCII 字符的处理方法。最简单的方法是使用 Unicode 字符串。Python 语言中，在字符串前面加个前缀 u 就表示 Unicode 字符串，其中可以使用 任意 Unicode 字符。例如： ``` >>> print u'A\xc4B' AÄB ``` 在这个例子中，字符串由三个字符构成：头尾两个字符分别是 A、B，可以从键盘直接 输入；中间的字符是 Latin-1 字符集中的字符 ?，无法从键盘直接输入，但可以通过输入十 六进制编码（即 c4，另外\x 是十六进制数的标志）的方式来输入。 再看汉字的例子： ``` >>> '汉' \xba\xba >>> print '汉' 汉 >>> print '\xba\xba' 汉 ``` 从第一条语句可以看出，我们输入的“汉”字在机器内部被表示成了两个字节的编码，该编码按十六进制表示等于 baba，亦即 GBK 规范中“汉”的编码①。接下来两条 print 语句 表明，字符“汉”和编码“\xba\xba”作用是一样的。 如果需要将汉字和 ASCII 字符、Latin-1 字符等混合在一起构成字符串，那就只能用 Unicode 字符串。例如，“汉”在 Unicode 中的编码是 6c49，在 Unicode 字符串中可以用\u6c49 代表“汉”。结合前面的例子，读者应能理解下面这条语句的结果： ``` >>> print u'A\u6c49\xc4B' A 汉 腂 ``` 如果希望 Python 程序能够处理包含汉字的字符串，用 Unicode 字符串是最可靠的做法。 具体细节在此从略。