考虑以下代码片段:
import sys
for i in range(128, 256):
sys.stdout.write(chr(i))
使用Python 2运行此命令,然后使用以下命令查看结果hexdump -C
:
00000000 80 81 82 83 84 85 86 87 88 89 8a 8b 8c 8d 8e 8f |................|
等等。不出意外;从0x80
到128个字节0xff
。
对Python 3做同样的事情:
00000000 c2 80 c2 81 c2 82 c2 83 c2 84 c2 85 c2 86 c2 87 |................|
...
00000070 c2 b8 c2 b9 c2 ba c2 bb c2 bc c2 bd c2 be c2 bf |................|
00000080 c3 80 c3 81 c3 82 c3 83 c3 84 c3 85 c3 86 c3 87 |................|
...
000000f0 c3 b8 c3 b9 c3 ba c3 bb c3 bc c3 bd c3 be c3 bf |................|
总结一下:
那么,这是怎么回事?
在Python 2中,字符串为ASCII,并且不进行任何转换。告诉它写在0-127 ASCII范围之外的内容,并说“ okey- doke!”。并只写那些字节。简单。
在Python 3中,字符串是 Unicode 。写入非ASCII字符时,必须以某种方式对它们进行 编码 。默认编码为UTF-8。
那么,这些值如何用UTF-8编码?
从0x80
到的代码点0x7ff
编码如下:
110vvvvv 10vvvvvv
其中11个v
字符是代码点的位。
从而:
0x80 hex
1000 0000 8-bit binary
000 1000 0000 11-bit binary
00010 000000 divide into vvvvv vvvvvv
11000010 10000000 resulting UTF-8 octets in binary
0xc2 0x80 resulting UTF-8 octets in hex
0xc0 hex
1100 0000 8-bit binary
000 1100 0000 11-bit binary
00011 000000 divide into vvvvv vvvvvv
11000011 10000000 resulting UTF-8 octets in binary
0xc3 0x80 resulting UTF-8 octets in hex
因此,这就是为什么要获得c2
以前的原因87
。
如何在Python 3中避免所有这些?使用bytes
类型。