導讀：Python有兩種類型可以表示字符序列：一種是bytes，另一種是str。

作者：布雷特·斯拉特金（Brett Slatkin）

來源：大數(shù)據(jù)DT（ID：hzdashuju）

bytes實例包含的是原始數(shù)據(jù)，即8位的無符號值（通常按照ASCII編碼標準來顯示）。

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

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

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

大家一定要記住：str實例不一定非要用某一種固定的方案編碼成二進制數(shù)據(jù)，bytes實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)換成二進制數(shù)據(jù)，必須調(diào)用str的encode方法。

• 要把二進制數(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)默認的方案，通常是指UTF-8（但有時也不一定，下面就會講到這個問題）。

編寫Python程序的時候，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準（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應(yīng)該按UTF-8或其他標準編碼的字符串。

• 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)者的預期形式。

第一個輔助函數(shù)接受bytes或str實例，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_strreturn?value??#?Instance?of?strprint(repr(to_str(b'foo'))) print(repr(to_str('bar'))) >>> 'foo' 'bar'

第二個輔助函數(shù)也接受bytes或str實例，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_strreturn?value??#?Instance?of?bytesprint(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，有兩個問題要注意。

第一個問題是，bytes與str這兩種類型似乎是以相同的方式工作的，但其實例并不相互兼容，所以在傳遞字符序列的時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實例添加到bytes實例：

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

也不能將bytes實例添加到str實例：

'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實例不能與bytes實例比較：

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

反過來也一樣，也就是說bytes實例不能與str實例比較：

assert?b'blue'?<?'red'

判斷bytes與str實例是否相等，總是會評估為假（False），即便這兩個實例表示的字符完全相同，它們也不相等。例如，在下面這個例子里，它們表示的字符串都相當于ASCII編碼之中的foo。

print(b'foo'?==?'foo') >>> False

兩種類型的實例都可以出現(xiàn)在%操作符的右側(cè)，用來替換左側(cè)那個格式字符串（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實例來替換其中的%s，因為Python不知道這個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，會讓系統(tǒng)在bytes實例上面調(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，因此程序會直接輸出b'blue'，而不是像你想的那樣，輸出blue本身。

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

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)生異常是因為在調(diào)用open函數(shù)時，指定的是'w'模式，所以系統(tǒng)要求必須以文本模式寫入。如果想用二進制模式，那應(yīng)該指定'wb'才對。在文本模式下，write方法接受的是包含Unicode數(shù)據(jù)的str實例，不是包含二進制數(shù)據(jù)的bytes實例。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')

讀取文件的時候也有類似的問題。例如，如果要把剛才寫入的二進制文件讀出來，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，是因為在調(diào)用open函數(shù)時指定的是'r'模式，所以系統(tǒng)要求必須以文本模式來讀取。若要用二進制格式讀取，應(yīng)該指定'rb'。以文本模式操縱句柄時，系統(tǒng)會采用默認的文本編碼方案處理二進制數(shù)據(jù)。

所以，上面那種寫法會讓系統(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制值。然而對于大多數(shù)系統(tǒng)來說，默認的文本編碼方案是UTF-8，所以系統(tǒng)很可能會把b'\xf1\xf2\xf3\xf4\xf5'當成UTF-8格式的字符串去解碼，于是就會出現(xiàn)上面那樣的錯誤。為了修正錯誤，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)的時候，通過encoding參數(shù)明確指定編碼標準，以確保平臺特有的一些行為不會干擾代碼的運行效果。例如，假設(shè)剛才寫到文件里的那些二進制數(shù)據(jù)表示的是一個采用'cp1252'標準（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?==?'?òó??'

這樣程序就不會出現(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。通過這個例子，我們要提醒自己注意當前操作系統(tǒng)默認的編碼標準（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時明確指定encoding參數(shù)。

要點

• bytes包含的是由8位值所組成的序列，str包含的是由Unicode碼點所組成的序列。

• 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是期望要操作的類型（要知道自己想操作的到底是Unicode碼點，還是原始的8位值。用UTF-8標準給字符串編碼，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。

• 從文件中讀取二進制數(shù)據(jù)（或者把二進制數(shù)據(jù)寫入文件）時，應(yīng)該用'rb'（'wb'）這樣的二進制模式打開文件。

• 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)默認的文本編碼方案。若無法肯定，可通過encoding參數(shù)明確指定。

關(guān)于作者：布雷特·斯拉特金（Brett Slatkin），Google首席軟件工程師，他是Google Surveys的聯(lián)合技術(shù)創(chuàng)始人，也是PubSubHubbub協(xié)議的共同創(chuàng)造者之一。此外，Slatkin還發(fā)布了Google的第一個云計算產(chǎn)品——App Engine。早在15年前，Slatkin就開始在工作中使用Python管理Google大量的服務(wù)器群。他擁有紐約哥倫比亞大學計算機工程專業(yè)學士學位。

本文摘編自《Effective Python：編寫高質(zhì)量Python代碼的90個有效方法》（原書第2版），經(jīng)出版方授權(quán)發(fā)布。

延伸閱讀《Effective Python》（原書第2版）

點擊上圖了解及購買

轉(zhuǎn)載請聯(lián)系微信：DoctorData

推薦語：Python編程進階必讀，基于Python3.8，新增31條建議！掌握Pythonic編程方式，寫出高質(zhì)量代碼|進階到編程高手的程序員修煉之道和代碼整潔之道。

劃重點????

干貨直達????

• 詳解4種類型的爬蟲技術(shù)
  

• 3段極簡代碼帶你入門Python科學計算庫SciPy
  

• 眼花繚亂的數(shù)據(jù)庫，怎樣選擇？給你這個書單，想學哪個學哪個
  

• 學習數(shù)據(jù)分析，有哪些好書值得讀？都在這里了

更多精彩????

在公眾號對話框輸入以下關(guān)鍵詞

查看更多優(yōu)質(zhì)內(nèi)容！

PPT?|?讀書?|?書單?|?硬核?|?干貨?|?講明白?|?神操作

大數(shù)據(jù)?|?云計算?|?數(shù)據(jù)庫?|?Python?|?可視化

AI?|?人工智能?|?機器學習?|?深度學習?|?NLP

5G?|?中臺?|?用戶畫像?|?1024?|?數(shù)學?|?算法?|?數(shù)字孿生

據(jù)統(tǒng)計，99%的大咖都關(guān)注了這個公眾號

????

新人創(chuàng)作打卡挑戰(zhàn)賽發(fā)博客就能抽獎！定制產(chǎn)品紅包拿不停！

總結(jié)

以上是生活随笔為你收集整理的Python高能小技巧：了解bytes与str的区别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。