摘要：計算機中以字節(jié)為單位存儲和解釋信息，規(guī)定一個字節(jié)由八個二進制位構(gòu)成，即個字節(jié)等于個比特。需要注意協(xié)議規(guī)定網(wǎng)絡(luò)字節(jié)序為大端字節(jié)序。以元組形式返回全部分組截獲的字符串。返回指定的組截獲的子串在中的結(jié)束索引子串最后一個字符的索引。

導(dǎo)語：本文章記錄了本人在學(xué)習(xí)Python基礎(chǔ)之?dāng)?shù)據(jù)結(jié)構(gòu)篇的重點知識及個人心得，打算入門Python的朋友們可以來一起學(xué)習(xí)并交流。

本章重點：

1、了解字符字節(jié)等概念，編解碼問題；
2、熟悉字符的規(guī)范化處理和雙模式API。

Unicode
Unicode（統(tǒng)一碼、萬國碼、單一碼）是計算機科學(xué)領(lǐng)域里的一項業(yè)界標準,包括字符集、編碼方案等。Unicode 是為了解決傳統(tǒng)的字符編碼方案的局限而產(chǎn)生的，它為每種語言中的每個字符設(shè)定了統(tǒng)一并且唯一的二進制編碼，以滿足跨語言、跨平臺進行文本轉(zhuǎn)換、處理的要求。

位
來自英文bit，音譯為“比特”，表示二進制位。位是計算機內(nèi)部數(shù)據(jù)儲存的最小單位，11010100是一個8位二進制數(shù)。一個二進制位只可以表示0和1兩種狀態(tài)（21）；兩個二進制位可以表示00、01、10、11四種（22）狀態(tài)；三位二進制數(shù)可表示八種狀態(tài)（23）。

字節(jié)
字節(jié)是計算機中數(shù)據(jù)處理的基本單位。計算機中以字節(jié)為單位存儲和解釋信息，規(guī)定一個字節(jié)由八個二進制位構(gòu)成，即1個字節(jié)等于8個比特（1Byte=8bit）。八位二進制數(shù)最小為00000000，最大為11111111；通常1個字節(jié)可以存入一個ASCII碼，2個字節(jié)可以存放一個漢字國標碼。

字
計算機進行數(shù)據(jù)處理時，一次存取、加工和傳送的數(shù)據(jù)長度稱為字（word）。一個字通常由一個或多個（一般是字節(jié)的整數(shù)位）字節(jié)構(gòu)成。例如286微機的字由2個字節(jié)組成，它的字長為16；486微機的字由4個字節(jié)組成，它的字長為32位機。

字長
字長是指cpu的每個字所包含的位數(shù)。根據(jù)計算機的不同，字長有固定的和可變的兩種。固定字長，即字長度不論什么情況都是固定不變的；可變字長，則在一定范圍內(nèi)，其長度是可變的。計算的字長是指它一次可處理的二進創(chuàng)數(shù)字的數(shù)目。計算機處理數(shù)據(jù)的速率，自然和它一次能加工的位數(shù)以及進行運算的快慢有關(guān)。如果一臺計算機的字長是另一臺計算機的兩倍，即使兩臺計算機的速度相同，在相同的時間內(nèi)，前者能做的工作是后者的兩倍。

碼位
又稱字符的標識。在Unicode標準中以4~6個十六進制數(shù)字表示，并加前綴“U+”。例如字母A的碼位是U+0041

編碼
把碼位轉(zhuǎn)換成字節(jié)序列，調(diào)用s.encode()

解碼
把字節(jié)序列轉(zhuǎn)換成碼位，調(diào)用s.decode()

編解碼例子：

s="S?o Paulo"
a=s.encode("utf8")
print(a)#b"Sxc3xa3o Paulo"
b=a.decode("utf8")
print(b)
output:S?o Paulo 

latin1（ 即 iso8859_1）
一種重要的編碼， 是其他編碼的基礎(chǔ)。 例如 cp1252 和Unicode（ 注意， latin1 與 cp1252 的字節(jié)值是一樣的， 甚至連碼位也相同） 。

cp1252
Microsoft 制定的 latin1 超集， 添加了有用的符號， 例如彎引號和€（ 歐元） ； 有些 Windows 應(yīng)用把它稱為“ANSI”， 但它并不是 ANSI 標準。

cp437
IBM PC 最初的字符集， 包含框圖符號。 與后來出現(xiàn)的 latin1 不兼容。

gb2312
用于編碼簡體中文的陳舊標準； 這是亞洲語言中使用較廣泛的多字節(jié)編碼之一。

utf-8
目前 Web 中最常見的 8 位編碼； 與 ASCII 兼容（ 純 ASCII 文本是有效的 UTF-8 文本） 。

utf-16le
UTF-16 的 16 位編碼方案的一種形式； 所有 UTF-16 支持通過轉(zhuǎn)義序列（ 稱為“代理對”， surrogate pair） 表示超過 U+FFFF 的碼位。

了解有關(guān)Unicode錯誤的處理方法。

編碼出現(xiàn)的錯誤在于編碼器可能無法對字符串編碼，以中英文字符串為例：

city="DaLian大連"
print(city.encode("utf8"))#b"DaLianxe5xa4xa7xe8xbfx9e"
print(city.encode("iso8859_1"))

輸出報錯：

Traceback (most recent call last):
  File "D:韓文承編程工作空間Fluent Pythonsection4-1.py", line 10, in 
    print(city.encode("iso8859_1"))
UnicodeEncodeError: "latin-1" codec can"t encode characters in position 6-7: ordinal not in range(256)

原因在于這個latin1不會對中午編碼，所以我們需要處理這個EncodeError,處理如下：

print(city.encode("iso8859_1",errors="ignore"))#b"DaLian"
print(city.encode("iso8859_1",errors="replace"))#b"DaLian??"
print(city.encode("iso8859_1",errors="xmlcharrefreplace"))#b"DaLian大连"

errors="ignore"
跳過無法編碼的字符，這樣做通常不妥。

errors="replace"
用問號替代無法編碼的字符，雖然損壞了數(shù)據(jù)，但用戶收到了編碼有問題的信號。

errors="xmlcharrefreplace"
用xml實體代替無法編碼的字符。

想了解更多錯誤處理方式可查閱Python官方Library：
https://docs.python.org/3/lib...

解碼出現(xiàn)的錯誤在于陳舊的解碼器能解碼任何字節(jié)序列而不拋出錯誤，有時會解碼出無用的、亂碼的字符。以包含變音符號的字節(jié)序列為例：

c=b"Montrxe9al"
print(c.decode("iso8859_1"))#Montréal
print(c.decode("cp1252"))#Montréal
print(c.decode("cp437"))#MontrΘal 輸出已經(jīng)有問題了
print(c.decode("koi8_r"))#MontrИal KOI8_R是編碼俄文的，此處輸出了俄文字母
print(c.decode("utf8"))

報錯：

Traceback (most recent call last):
  File "D:韓文承編程工作空間Fluent Pythonsection4-1.py", line 19, in 
    print(c.decode("utf8"))
UnicodeDecodeError: "utf-8" codec can"t decode byte 0xe9 in position 5: invalid continuation byte

原因在于utf_8檢測到c不是有效utf_8字符串，拋出UnicodeDecodeError。處理如下：

print(c.decode("utf8",errors="replace"))#Montr?al。用?替代無法解碼的字節(jié)

如果加載的模塊中包含utf_8之外的數(shù)據(jù)，那么解釋器會報錯SyntaxError。

Chardet是Python的一個庫，可以檢測出未知字節(jié)序列的編碼方式。
不要在二進制模式中打開文本文件。即使想判斷編碼，也該用Chardet！

字節(jié)序標記，這個標記針對非單字節(jié)非字符串外的其余數(shù)據(jù)（如short，int）指明字節(jié)存儲的方式，具體分為大端存儲和小端存儲。
大端存儲第一個字節(jié)是高位，容易判斷數(shù)值的正負；
小端存儲第一個字節(jié)是地位，容易進行數(shù)值的運算。
需要注意：TCP/IP協(xié)議規(guī)定網(wǎng)絡(luò)字節(jié)序為大端字節(jié)序。這意味著主機字節(jié)序如果是小端存儲必須轉(zhuǎn)化為大端字節(jié)序才能通過網(wǎng)絡(luò)發(fā)送數(shù)據(jù)。
To Learn More：https://zhuanlan.zhihu.com/p/...

編碼默認值
在多系統(tǒng)處理文件時應(yīng)顯式制定編碼，否則容易出現(xiàn)默認編碼器無法解碼字節(jié)序列的情況。
編輯器默認編碼查詢：locale.getpreferredencoding()#cp936

Unicode三明治原則
我們可以用一個簡單的原則處理編碼問題： 字節(jié)序列->字符串->字節(jié)序列。就是說程序中應(yīng)當(dāng)僅處理字符串，當(dāng)需要保存到文件系統(tǒng)或者傳輸?shù)臅r候，編碼為字節(jié)序列。

Unicode字符串規(guī)范化
碼位規(guī)范化函數(shù)：unicodedata.normalize(格式，字符串）
格式參數(shù)：

NFC：使用最少的碼位構(gòu)造等價字符串

NFD ：使用基字符和組合字符構(gòu)造等價字符串

NFKC 和NFKD：將兼容字符分解

對大多數(shù)應(yīng)用來說NFC是最好的規(guī)范化形式。

from unicodedata import normalize
d="café"
e="cafeu0301"
print(normalize("NFC",d)==normalize("NFC",e))#True
print(normalize("NFD",d)==normalize("NFD",e))#True

規(guī)范化之后兩個不同的碼位相等的。
保存文件之前最好用規(guī)范化函數(shù)unicodedata.normalize(“NFC”，字符串）清洗字符串

大小寫折疊函數(shù)：str.casefold()
自Python3.4起，str.lower()和str.casefold()不同的結(jié)果有116個碼位，占Unicode命名的總字符的0.11%

Unicode 排序：unicode collation algorithm, UCA 使用 PyUCA 庫。
下載地址：https://pypi.python.org/pypi/...

雙模式是指標準庫中一些函數(shù)能夠接受字符串或字節(jié)序列為參數(shù)，并根據(jù)類型進行處理。
API（Application Programming Interface）即應(yīng)用程序接口。可以把 API 理解為一個軟件組件或是一個 Web 服務(wù)與外界進行的交互的接口。通俗的理解是程序和程序之間的交互，交互就是傳遞數(shù)據(jù)，觸發(fā)功能。

正則表達式：可以匹配文本片段的模式。

通配符：

.點dot：能夠匹配任意的字符。

^尖號：從開始匹配，意味著開始的字符必須和partern一致方可匹配上，否則匹配返回none.。

$美元符號：從尾部開始匹配，尾部開始的字符必須和partern一致方可匹配上，否則匹配返回none.。

*星號：允許模式重復(fù)0次或多次。

+加號：允許模式重復(fù)1次或多次。

？問號：允許模式重復(fù)0次或1次。

{m,n}:允許模式重復(fù)m~n次。（貪婪匹配下直接匹配到n次）當(dāng)m=n即為{m}，只匹配m次。

用反斜線對特殊符號進行轉(zhuǎn)義：
有時我們只想用特殊符號如dot“."的字面意思，而非作為通配符使用。例如匹配網(wǎng)站”baidu.com“中的點就需要轉(zhuǎn)義，變成"baidu.com"，即只匹配”baidu.com“
字符集：
表示欲匹配字符的集合，相比較通配符中的點號而言范圍更小一些。例如[0-9A-F]可以匹配一個十六進制的字符。
注意：一個字符集只能匹配一個字符，除非配合數(shù)量限定符使用！
預(yù)定義字符集

d，數(shù)字[0-9]

D，非數(shù)字[^d]

s，空白字符,包括空格，trnfv

S，非空白字符[^s]

w，單詞字符[A-Za-z0-9_]

W，非單詞字符[^w]

選擇符和子模式：
此項欲匹配的范圍比字符集還要小。比如你只想匹配python和people這兩個單詞，就可以用管道符號（|），即“python|people"。
如果操作的不是整個模式partern而是模式的一部分，圓括號括起來的部分稱作子模式，即“p(ython|eople)”

re.escape(pattern) 將字符串中所有特殊正則表達式字符轉(zhuǎn)義
Tips:re.compile構(gòu)建模式，對于重復(fù)式的匹配效率更高。
flags參數(shù)介紹：

re.I 或re.IGNORECASE
使匹配忽略字母大小寫。

re.L或re.LOCALE
影響 “w, “W, “b, 和 “B，這取決于當(dāng)前的本地化設(shè)置。

re.M或re.MULTILINE
使用本標志后，‘^’和‘$’匹配行首和行尾時，會增加換行符之前和之后的位置。

re.S或re.DOTALL
使點號這個特殊字符完全匹配任何字符，包括換行；沒有這個標志， “.” 匹配除了換行符外的任何字符。

re.X或re.VERBOSE
當(dāng)該標志被指定時，在 RE 字符串中的空白符被忽略，除非該空白符在字符類中或在反斜杠之后。它也可以允許你將注釋寫入 RE，這些注釋會被引擎忽略；注釋用 “#”號 來標識，不過該符號不能在字符串或反斜杠之后。

MatchObject是一次成功匹配后返回的對象類型，它支持如下的重要方法：

group([group1, …]):
獲得一個或多個分組截獲的字符串；指定多個參數(shù)時將以元組形式返回。group1可以使用編號也可以使用別名；編號0代表整個匹配的子串；不填寫參數(shù)時，返回group(0)；沒有截獲字符串的組返回None；截獲了多次的組返回最后一次截獲的子串。

groups():
以元組形式返回全部分組截獲的字符串。相當(dāng)于調(diào)用group(1,2,…last)。

start([group]):
返回指定的組截獲的子串在string中的起始索引（子串第一個字符的索引）。group默認值為0。

end([group]):
返回指定的組截獲的子串在string中的結(jié)束索引（子串最后一個字符的索引+1）。group默認值為0。

span([group]):
返回(start(group), end(group))。

*和+這類數(shù)量限定符默認是貪婪的，即盡可能多的匹配滿足要求的字符串。只有在其后加上問號？方可變成非貪婪的。
貪婪與非貪婪eg:

import re 
greedy=re.compile(r"<.*>")#貪婪
non_greedy=re.compile(r"<.*?>")#非貪婪，利用問號限制
print(greedy.search("
Chapter 1 - 介紹正則表達式
"))
print(non_greedy.search("
Chapter 1 - 介紹正則表達式
"))

輸出：

<_sre.SRE_Match object; span=(0, 28), match="
Chapter 1 - 介紹正則表達式
">
<_sre.SRE_Match object; span=(0, 4), match="
">

對字符串和字節(jié)序列進行re匹配：

import re 
text_str = "Ramanujan saw u0be7u0bedu0be8u0bef as 1729 = 13 + 123 = 93 + 103."
text_byte=text_str.encode("utf_8")

str_number=re.compile(r"d+")
str_word=re.compile(r"w+")
byte_number=re.compile(rb"d+")
byte_word=re.compile(rb"w+")

print("str_number",str_number.findall(text_str))
print("str_word",str_word.findall(text_str))
print("byte_number",byte_number.findall(text_byte))
print("byte_word",byte_word.findall(text_byte))

輸出：

str_number ["????", "1729", "1", "12", "9", "10"]
byte_number [b"1729", b"1", b"12", b"9", b"10"]
str_word ["Ramanujan", "saw", "????", "as", "1729", "13", "123", "93", "103"]
byte_word [b"Ramanujan", b"saw", b"as", b"1729", b"1", b"12", b"9", b"10"]

分析：通過分別對字符串和字節(jié)序列進行數(shù)字、單詞字符的匹配操作，容易發(fā)現(xiàn)對字節(jié)序列的匹配僅限于ASCII中的數(shù)字和單詞字符，而對字符串的匹配會包含更多的泰米爾數(shù)字和上標等其他字符。
To Learn More: https://docs.python.org/3/lib...

os.listdir() :

用于返回指定的文件夾包含的文件或文件夾的名字的列表。這個列表以字母順序。

os.fsencode(filename):

如果 filename 是 str 類型或bytes 類型，使用sys.getfilesystemencoding() 返回的編解碼器把 filename 編碼成字節(jié)序列； 否則， 返回未經(jīng)修改的 filename 字節(jié)序列。

os.fsdecode(filename):

如果 filename 是 bytes 類型或 str 類型， 使用sys.getfilesystemencoding() 返回的編解碼器把 filename 解碼成字符串； 否則， 返回未經(jīng)修改的 filename 字符串。