十六进制、八进制和二进制
1.10 字符串
1.10.4 长字符串、原始字符串和字节
有一些独特而有用的字符串表示方式。例如，有一种独特的语法可用于表示包含换行符或反 斜杠的字符串（长字符串和原始字符串）。对于包含特殊符号的字符串，Python 2还提供了一种专 用的表示语法，结果为Unicode字符串。这种语法现在依然管用，但是多余，因为在Python 3中，
所有的字符串都是Unicode字符串。Python 3还引入了一种新语法，用于表示大致相当于老式字符 串的字节对象。你将看到，在处理Unicode编码方面，这种对象依然扮演着重要的角色。
1. 长字符串
要表示很长的字符串（跨越多行的字符串），可使用三引号（而不是普通引号）。
print('''This is a very long string. It continues here.
And it's not over yet. "Hello, world!"
Still here.''')
还可使用三个双引号，如"""like this"""。请注意，这让解释器能够识别表示字符串开始 和结束位置的引号，因此字符串本身可包含单引号和双引号，无需使用反斜杠进行转义。
提示 常规字符串也可横跨多行。只要在行尾加上反斜杠，反斜杠和换行符将被转义，即被忽 略。例如，如果编写如下代码：
print("Hello, \ world!")
它将打印Hello, world!。这种处理手法也适用于表达式和语句。
>>> 1 + 2 + \ 4 + 5 12
>>> print \
('Hello, world') Hello, world
2. 原始字符串
原始字符串不以特殊方式处理反斜杠，因此在有些情况下很有用②。在常规字符串中，反斜 杠扮演着特殊角色：它对字符进行转义，让你能够在字符串中包含原本无法包含的字符。例如，
——————————
① 实际上，像int一样，str也是一个类，但repr是一个函数。
② 编写正则表达式时，原始字符串很有用，这将在第10章详细介绍。
1
>>> print('Hello,\nworld!') Hello,
world!
这通常挺好，但在有些情况下，并非你想要的结果。如果你要在字符串中包含\n呢？例如，
你可能要在字符串中包含DOS路径C:\nowhere。
>>> path = 'C:\nowhere'
>>> path 'C:\nowhere'
这好像没问题，但如果将其打印出来，就会出现问题。
>>> print(path) C:
owhere
这并非你想要的结果，不是吗？那该怎么办呢？可对反斜杠本身进行转义。
>>> print('C:\\nowhere') C:\nowhere
这很好，但对于很长的路径，将需要使用大量的反斜杠。
path = 'C:\\Program Files\\fnord\\foo\\bar\\baz\\frozz\\bozz'
在这样的情况下，原始字符串可派上用场，因为它们根本不会对反斜杠做特殊处理，而是让 字符串包含的每个字符都保持原样。
>>> print(r'C:\nowhere') C:\nowhere
>>> print(r'C:\Program Files\fnord\foo\bar\baz\frozz\bozz') C:\Program Files\fnord\foo\bar\baz\frozz\bozz
如你所见，原始字符串用前缀r表示。看起来可在原始字符串中包含任何字符，这大致是正 确的。一个例外是，引号需要像通常那样进行转义，但这意味着用于执行转义的反斜杠也将包含 在最终的字符串中。
>>> print(r'Let\'s go!') Let\'s go!
另外，原始字符串不能以单个反斜杠结尾。换而言之，原始字符串的最后一个字符不能是反 斜杠，除非你对其进行转义（但进行转义时，用于转义的反斜杠也将是字符串的一部分）。根据 前一个示例，这一点应该是显而易见的。如果最后一个字符（位于结束引号前面的那个字符）为 反斜杠，且未对其进行转义，Python将无法判断字符串是否到此结束。
>>> print(r"This is illegal\")
SyntaxError: EOL while scanning string literal
这合乎情理，但如果要指定以反斜杠结尾的原始字符串（如以反斜杠结尾的DOS路径），该 如何办呢？本节介绍了大量技巧，应该能够帮助你解决这个问题，但基本技巧是将反斜杠单独作 为一个字符串，下面是一个简单的示例：
>>> print(r'C:\Program Files\foo\bar' '\\') C:\Program Files\foo\bar\
请注意，指定原始字符串时，可使用单引号或双引号将其括起，还可使用三引号将其括起。
3. Unicode、bytes和bytearray
Python字符串使用Unicode编码来表示文本。对大多数简单程序来说，这一点是完全透明的，
因此如果你愿意，可跳过本节，等需要时再学习这个主题。然而，鉴于处理字符串和文本文件的 Python代码很多，大致浏览一下本节至少不会有什么坏处。
大致而言，每个Unicode字符都用一个码点（code point）表示，而码点是Unicode标准给每个 字符指定的数字。这让你能够以任何现代软件都能识别的方式表示129个文字系统中的12万个以 上的字符。当然，鉴于计算机键盘不可能包含几十万个键，因此有一种指定Unicode字符的通用 机制：使用16或32位的十六进制字面量（分别加上前缀\u或\U）或者使用字符的Unicode名称
（\N{name}）。
>>> "\u00C6"
'Æ'
>>> "\U0001F60A"
'☺'
>>> "This is a cat: \N{Cat}"
'This is a cat: '
要获悉字符的Unicode码点和名称，可在网上使用有关该字符的描述进行搜索，也可参阅特 定的网站，如http://unicode-table.com。
Unicode的理念很简单，却带来了一些挑战，其中之一是编码问题。在内存和磁盘中，所有 对象都是以二进制数字（0和1）表示的（这些数字每8个为一组，即1字节），字符串也不例外。
在诸如C等编程语言中，这些字节完全暴露，而字符串不过是字节序列而已。为与C语言互操作 以及将文本写入文件或通过网络套接字发送出去，Python提供了两种类似的类型：不可变的bytes
和可变的bytearray。如果需要，可直接创建bytes对象（而不是字符串），方法是使用前缀b：
>>> b'Hello, world!' b'Hello, world!'
然而，1字节只能表示256个不同的值，离Unicode标准的要求差很远。Python bytes字面量只 支持ASCII标准中的128个字符，而余下的128个值必须用转义序列表示，如\xf0表示十六进制值 0xf0（即240）。
唯一的差别好像在于可用的字母表规模，但实际上并非完全如此。乍一看，好像ASCII和 Unicode定义的都是非负整数和字符之间的映射，但存在细微的差别：Unicode码点是使用整数定 义的，而ASCII字符是使用对应的数及其二进制编码定义的。这一点好像无关紧要，原因之一是 整数0～255和8位二进制数之间的映射是固定的，几乎没有任何机动空间。问题是超过1字节后，
情况就不那么简单了：直接将每个码点表示为相应的二进制数可能不再可行。这是因为不仅存在 字节顺序的问题（即便对整数值进行编码，也会遇到这样的问题），而且还可能浪费空间：如果 对于每个码点都使用相同数量的字节进行编码，就必须考虑到文本可能包含安那托利亚象形文字 或皇家亚兰字母。有一种Unicode编码标准是基于这种考虑的，它就是UTF-32（32位统一编码转
1
换格式，Unicode Transformation Format 32 bits），但如果你主要处理的是使用互联网上常见语言 书写的文本，那么使用这种编码标准将很浪费空间。
UTF-8和UTF-32编码将字符串转换为bytes。
>>> "Hello, world!".encode("ASCII") b'Hello, world!'
>>> "Hello, world!".encode("UTF-8") b'Hello, world!'
>>> "Hello, world!".encode("UTF-32")
b'\xff\xfe\x00\x00H\x00\x00\x00e\x00\x00\x00l\x00\x00\x00l\x00\x00\x00o\x00\x00\x00,\x00\
x00\x00 \x00\x00\x00w\x00\x00\x00o\x00\x00\x00r\x00\x00\x00l\x00\x00\x00d\x00\x00\x00!\x00\
x00\x00'
从中可知，使用前两种编码的结果相同，但使用最后一种编码的结果长得多。再来看一个 示例：
>>> len("How long is this?".encode("UTF-8")) 17
>>> len("How long is this?".encode("UTF-32")) 72
只要字符串包含较怪异的字符，ASCII和UTF-8之间的差别便显现出来了：
>>> "Hællå, wørld!".encode("ASCII") Traceback (most recent call last):
...
UnicodeEncodeError: 'ascii' codec can't encode character '\xe6' in position 1: ordinal not in range(128)
斯堪的纳维亚字母没有对应的ASCII编码。如果必须使用ASCII编码（这样的情况肯定会遇 到），可向encode提供另一个实参，告诉它如何处理错误。这个参数默认为strict，但可将其指 定为其他值，以忽略或替换不在ASCII表中的字符。
>>> "Hællå, wørld!".encode("ASCII", "ignore") b'Hll, wrld!'
>>> "Hællå, wørld!".encode("ASCII", "replace") b'H?ll?, w?rld!'
>>> "Hællå, wørld!".encode("ASCII", "backslashreplace") b'H\\xe6ll\\xe5, w\\xf8rld!'
>>> "Hællå, wørld!".encode("ASCII", "xmlcharrefreplace") b'Hællå, wørld!'
几乎在所有情况下，都最好使用UTF-8。事实上，它也是默认使用的编码。
——————————
① 这是一种重要的压缩方法，为多个现代压缩工具使用的霍夫曼编码所采用。
>>> "Hællå, wørld!".encode()
b'H\xc3\xa6ll\xc3\xa5, w\xc3\xb8rld!'
这相比于Hello, world!，编码结果要长些；但使用UTF-32编码时，结果一样长。
可将字符串编码为bytes，同样也可将bytes解码为字符串。
>>> b'H\xc3\xa6ll\xc3\xa5, w\xc3\xb8rld!'.decode() 'Hællå, wørld!'
与前面一样，默认编码也是UTF-8。你可指定其他编码，但如果指定的编码不正确，将出现 错误消息或得到一堆乱码。bytes对象本身并不知道使用的是哪种编码，因此你必须负责跟踪这 一点。
可不使用方法encode和decode，而直接创建bytes和str（即字符串）对象，如下所示：
>>> bytes("Hællå, wørld!", encoding="utf-8") b'H\xc3\xa6ll\xc3\xa5, w\xc3\xb8rld!'
>>> str(b'H\xc3\xa6ll\xc3\xa5, w\xc3\xb8rld!', encoding="utf-8") 'Hællå, wørld!'
这种方法更通用一些，在你不知道类似于字符串或bytes的对象属于哪个类时，使用这种方 法也更管用。一个通用规则是，不要做过于严格的假设。
编码和解码的最重要用途之一是，将文本存储到磁盘文件中。然而，Python提供的文件读写 机制通常会替你完成这方面的工作！只要文件使用的是UTF-8编码，就无需操心编码和解码的问 题。但如果原本正常的文本变成了乱码，就说明文件使用的可能是其他编码。在这种情况下，对 导致这种问题的原因有所了解将大有裨益。如果你想更详细地了解Python中的Unicode，请参阅 在线文档中有关该主题的HOWTO部分①。
注意 源代码也将被编码，且默认使用的也是UTF-8编码。如果你想使用其他编码（例如，如果 你使用的文本编辑器使用其他编码来存储源代码），可使用特殊的注释来指定。
# -*- coding: encoding name -*-
请将其中的encoding name替换为你要使用的编码（大小写都行），如utf-8或latin-1。 最后，Python还提供了bytearray，它是bytes的可变版。从某种意义上说，它就像是可修改 的字符串——常规字符串是不能修改的。然而，bytearray其实是为在幕后使用而设计的，因此 作为类字符串使用时对用户并不友好。例如，要替换其中的字符，必须将其指定为0～255的值。
因此，要插入字符，必须使用ord获取其序数值（ordinal value）。
>>> x = bytearray(b"Hello!")
>>> x[1] = ord(b"u")
>>> x
bytearray(b'Hullo!')
——————————
① 请参见https://docs.python.org/3/howto/unicode.html。