[[388528]]

bytes實(shí)例包含的是原始數(shù)據(jù)，即8位的無符號(hào)值(通常按照ASCII編碼標(biāo)準(zhǔn)來顯示)。

 

a = b'h\x65llo' 
print(list(a)) 
print(a) 
>>> 
[104, 101, 108, 108, 111] 
b'hello' 

str實(shí)例包含的是Unicode碼點(diǎn)(code point，也叫作代碼點(diǎn))，這些碼點(diǎn)與人類語言之中的文本字符相對(duì)應(yīng)。

 

a = 'a\u0300 propos' 
print(list(a)) 
print(a) 
>>> 
['a', '`', ' ', 'p', 'r', 'o', 'p', 'o', 's'] 
à propos 

 

大家一定要記?。簊tr實(shí)例不一定非要用某一種固定的方案編碼成二進(jìn)制數(shù)據(jù)，bytes實(shí)例也不一定非要按照某一種固定的方案解碼成字符串。

• 要把Unicode數(shù)據(jù)轉(zhuǎn)換成二進(jìn)制數(shù)據(jù)，必須調(diào)用str的encode方法。
• 要把二進(jìn)制數(shù)據(jù)轉(zhuǎn)換成Unicode數(shù)據(jù)，必須調(diào)用bytes的decode方法。

調(diào)用這些方法的時(shí)候，可以明確指出自己要使用的編碼方案，也可以采用系統(tǒng)默認(rèn)的方案，通常是指UTF-8(但有時(shí)也不一定，下面就會(huì)講到這個(gè)問題)。

編寫Python程序的時(shí)候，一定要把解碼和編碼操作放在界面最外層來做，讓程序的核心部分可以使用Unicode數(shù)據(jù)來運(yùn)作，這種辦法通常叫作Unicode三明治(Unicode sandwich)。程序的核心部分，應(yīng)該用str類型來表示Unicode數(shù)據(jù)，并且不要鎖定到某種字符編碼上面。

這樣可以讓程序接受許多種文本編碼(例如Latin-1、Shift JIS及Big5)，并把它們都轉(zhuǎn)化成Unicode，也能保證輸出的文本信息都是用同一種標(biāo)準(zhǔn)(最好是UTF-8)編碼的。

兩種不同的字符類型與Python中兩種常見的使用情況相對(duì)應(yīng)：

• 開發(fā)者需要操作原始的8位值序列，序列里面的這些8位值合起來表示一個(gè)應(yīng)該按UTF-8或其他標(biāo)準(zhǔn)編碼的字符串。
• 開發(fā)者需要操作通用的Unicode字符串，而不是操作某種特定編碼的字符串。

我們通常需要編寫兩個(gè)輔助函數(shù)(helper function)，以便在這兩種情況之間轉(zhuǎn)換，確保輸入值類型符合開發(fā)者的預(yù)期形式。

第一個(gè)輔助函數(shù)接受bytes或str實(shí)例，并返回str：

 

def to_str(bytes_or_str): 
    if isinstance(bytes_or_str, bytes): 
        value = bytes_or_str.decode('utf-8') 
    else: 
        value = bytes_or_str 
    return value  # Instance of str 
 
print(repr(to_str(b'foo'))) 
print(repr(to_str('bar'))) 
>>> 
'foo' 
'bar' 

 

第二個(gè)輔助函數(shù)也接受bytes或str實(shí)例，但它返回的是bytes：

 

def to_bytes(bytes_or_str): 
    if isinstance(bytes_or_str, str): 
        value = bytes_or_str.encode('utf-8') 
    else: 
        value = bytes_or_str 
    return value  # Instance of bytes 
 
print(repr(to_bytes(b'foo'))) 
print(repr(to_bytes('bar'))) 

 

在Python中使用原始的8位值與Unicode字符串時(shí)，有兩個(gè)問題要注意。

第一個(gè)問題是，bytes與str這兩種類型似乎是以相同的方式工作的，但其實(shí)例并不相互兼容，所以在傳遞字符序列的時(shí)候必須考慮好其類型。

可以用+操作符將bytes添加到bytes，str也可以這樣。

 

print(b'one' + b'two') 
print('one' + 'two') 
>>> 
b'onetwo' 
onetwo 

 

但是不能將str實(shí)例添加到bytes實(shí)例：

 

b'one' + 'two' 
>>> 
Traceback ... 
TypeError: can't concat str to bytes 

 

也不能將bytes實(shí)例添加到str實(shí)例：

 

'one' + b'two' 
>>> 
Traceback ... 
TypeError: can only concatenate str (not "bytes") to str 

 

bytes與bytes之間可以用二元操作符(binary operator)來比較大小，str與str之間也可以：

 

assert b'red' > b'blue' 
assert 'red' > 'blue' 

 

但是str實(shí)例不能與bytes實(shí)例比較：

 

assert 'red' > b'blue' 

反過來也一樣，也就是說bytes實(shí)例不能與str實(shí)例比較：

 

assert b'blue' < 'red' 

判斷bytes與str實(shí)例是否相等，總是會(huì)評(píng)估為假(False)，即便這兩個(gè)實(shí)例表示的字符完全相同，它們也不相等。例如，在下面這個(gè)例子里，它們表示的字符串都相當(dāng)于ASCII編碼之中的foo。

 

print(b'foo' == 'foo') 
>>> 
False 

 

兩種類型的實(shí)例都可以出現(xiàn)在%操作符的右側(cè)，用來替換左側(cè)那個(gè)格式字符串(format string)里面的%s。

 

print(b'red %s' % b'blue') 
print('red %s' % 'blue') 
>>> 
b'red blue' 
red blue 

 

如果格式字符串是bytes類型，那么不能用str實(shí)例來替換其中的%s，因?yàn)镻ython不知道這個(gè)str應(yīng)該按照什么方案來編碼。

 

print(b'red %s' % 'blue') 

但反過來卻可以，也就是說如果格式字符串是str類型，則可以用bytes實(shí)例來替換其中的%s，問題是，這可能跟你想要的結(jié)果不一樣。

 

print('red %s' % b'blue') 
>>> 
red b'blue' 

 

這樣做，會(huì)讓系統(tǒng)在bytes實(shí)例上面調(diào)用__repr__方法，然后用這次調(diào)用所得到的結(jié)果替換格式字符串里的%s，因此程序會(huì)直接輸出b'blue'，而不是像你想的那樣，輸出blue本身。

第二個(gè)問題發(fā)生在操作文件句柄的時(shí)候，這里的句柄指由內(nèi)置的open函數(shù)返回的句柄。這樣的句柄默認(rèn)需要使用Unicode字符串操作，而不能采用原始的bytes。習(xí)慣了Python 2的開發(fā)者，尤其容易碰到這個(gè)問題，進(jìn)而導(dǎo)致程序出現(xiàn)奇怪的錯(cuò)誤。例如，向文件寫入二進(jìn)制數(shù)據(jù)的時(shí)候，下面這種寫法其實(shí)是錯(cuò)誤的。

 

with open('data.bin', 'w') as f: 
    f.write(b'\xf1\xf2\xf3\xf4\xf5') 
>>> 
Traceback ... 
TypeError: write() argument must be str, not bytes 

 

程序發(fā)生異常是因?yàn)樵谡{(diào)用open函數(shù)時(shí)，指定的是'w'模式，所以系統(tǒng)要求必須以文本模式寫入。如果想用二進(jìn)制模式，那應(yīng)該指定'wb'才對(duì)。在文本模式下，write方法接受的是包含Unicode數(shù)據(jù)的str實(shí)例，不是包含二進(jìn)制數(shù)據(jù)的bytes實(shí)例。所以，我們得把模式改成'wb'來解決該問題。

 

with open('data.bin', 'wb') as f: 
    f.write(b'\xf1\xf2\xf3\xf4\xf5') 

 

讀取文件的時(shí)候也有類似的問題。例如，如果要把剛才寫入的二進(jìn)制文件讀出來，那么不能用下面這種寫法。

 

with open('data.bin', 'r') as f: 
    data = f.read() 

 

程序出錯(cuò)，是因?yàn)樵谡{(diào)用open函數(shù)時(shí)指定的是'r'模式，所以系統(tǒng)要求必須以文本模式來讀取。若要用二進(jìn)制格式讀取，應(yīng)該指定'rb'。以文本模式操縱句柄時(shí)，系統(tǒng)會(huì)采用默認(rèn)的文本編碼方案處理二進(jìn)制數(shù)據(jù)。

所以，上面那種寫法會(huì)讓系統(tǒng)通過bytes.decode把這份數(shù)據(jù)解碼成str字符串，再用str.encode把字符串編碼成二進(jìn)制值。然而對(duì)于大多數(shù)系統(tǒng)來說，默認(rèn)的文本編碼方案是UTF-8，所以系統(tǒng)很可能會(huì)把b'\xf1\xf2\xf3\xf4\xf5'當(dāng)成UTF-8格式的字符串去解碼，于是就會(huì)出現(xiàn)上面那樣的錯(cuò)誤。為了修正錯(cuò)誤，需要把模式改成'rb'。

 

with open('data.bin', 'rb') as f: 
    data = f.read() 
 
assert data == b'\xf1\xf2\xf3\xf4\xf5' 

 

另一種改法是在調(diào)用open函數(shù)的時(shí)候，通過encoding參數(shù)明確指定編碼標(biāo)準(zhǔn)，以確保平臺(tái)特有的一些行為不會(huì)干擾代碼的運(yùn)行效果。例如，假設(shè)剛才寫到文件里的那些二進(jìn)制數(shù)據(jù)表示的是一個(gè)采用'cp1252'標(biāo)準(zhǔn)(cp1252是一種老式的Windows編碼方案)來編碼的字符串，則可以這樣寫：

 

with open('data.bin', 'r', encoding='cp1252') as f: 
    data = f.read() 
 
assert data == 'ñòóôõ' 

 

這樣程序就不會(huì)出現(xiàn)異常了，但返回的字符串也與讀取原始字節(jié)數(shù)據(jù)所返回的有很大區(qū)別。通過這個(gè)例子，我們要提醒自己注意當(dāng)前操作系統(tǒng)默認(rèn)的編碼標(biāo)準(zhǔn)(可以執(zhí)行 python3 -c 'import locale; print(

locale.getpreferredencoding())'命令查看)，了解它與你所期望的是否一致。如果不確定，那就在調(diào)用open時(shí)明確指定encoding參數(shù)。

要點(diǎn)

• bytes包含的是由8位值所組成的序列，str包含的是由Unicode碼點(diǎn)所組成的序列。
• 我們可以編寫輔助函數(shù)來確保程序收到的字符序列確實(shí)是期望要操作的類型(要知道自己想操作的到底是Unicode碼點(diǎn)，還是原始的8位值。用UTF-8標(biāo)準(zhǔn)給字符串編碼，得到的就是這樣的一系列8位值)。
• bytes與str這兩種實(shí)例不能在某些操作符(例如>、==、+、%操作符)上面混用。
• 從文件中讀取二進(jìn)制數(shù)據(jù)(或者把二進(jìn)制數(shù)據(jù)寫入文件)時(shí)，應(yīng)該用'rb'('wb')這樣的二進(jìn)制模式打開文件。
• 如果要從文件中讀取(或者要寫入文件之中)的是Unicode數(shù)據(jù)，那么必須注意系統(tǒng)默認(rèn)的文本編碼方案。若無法肯定，可通過encoding參數(shù)明確指定。