详解 Python 字符串（一）：字符串基础

在 Python 中，字符串就是一串字符的组合，它是不可变的、有限字符序列，包括可见字符、不可见字符（如空格符等）和转义字符。Python 通过 str 类型提供大量方法来操作字符串，如字符串的替换、删除、截取、复制、连接、比较、查找、分隔等。本篇博文将详细介绍操作字符串的一般方法。因为字符串在开发过程中，是非常常见的一种数据类型，在爬虫中经常都是对字符串进行操作，包括 URL 拼接、格式化、数据处理(替换、去除空白、截取等)，所以读者需要对其常规操作进行熟练掌握，读者将本文收藏当作文档查阅工具使用也可。学习重点如下：

1. 如何定义字符串。
2. 字符串长度的计算和编码。
3. 字符串连接和截取。
4. 字符串查找和替换。
5. 熟悉字符串的其他常规操作。

1. 字符串基础

1.1 定义字符串

在 Python 中，可以使用很多种方式来进行字符串的定义。下面对各种定义方式进行详细地介绍与说明。注意：Python 不支持字符类型，单个字符也算是一个字符串。

(1) 单行字符串
在 Python 中，使用单引号（'）和 双引号（"）可以定义字符串，注意是成对出现。语法格式如下：

'单行字符串'
"单行字符串"

单引号和双引号常用于表示单行字符串，也可以在字符串中添加换行符（\n）间接定义多行字符串。在使用单引号定义的字符串中，可以直接包含双引号，而不必进行转义，而在使用双引号定义的字符串中，可以直接包含单引号，而不必进行转义。一句话讲：外双内单、外单内双。

示例：定义两个字符串，分别包含单引号和双引号，为了避免使用转义字符，则分别使用单引号和双引号定义字符串。

(2) 多行字符串
单引号、双引号定义多行字符串时，需要添加换行符 \n，而三引号不需要添加换行符，语法格式如下：

'''多行
字符串'''
"""多行
字符串"""

同时字符串中可以包含单引号、双引号、换行符、制表符，以及其他特殊字符，对于这些特殊字符不需要使用反斜杠（\）进行转义。另外，三引号中还可以包含注释信息。

三引号可以帮助开发人员从引号和转义字符的泥潭里面解脱出来，确保字符串的原始格式。但是平时我们使用得最多的还是单行字符串，三引号一般用于函数注释、类注释、定义 SQL 语句等，读者可以在 源码中看到大量三引号的应用，如下：

本示例使用三引号定义一个 SQL 字符串。如下：

str3 = """
CREATE TABLE users(  # 表名
name VARCHAR(8),  # 姓名字段
id INTEGER,  # 编号字段
password INTEGER)  # 密码字段
"""
print(str3)

(3) 使用 str() 函数
使用 str() 函数可以创建空字符串，也可以将任意类型的对象转换为字符串。下面示例演示使用 str() 函数创建字符串的不同形式。

注意：str() 函数的返回值由类型的 __str__ 魔法方法决定。 下面示例自定义一个 list 类型，定义 __str__ 魔法方法的返回值为 list 字符串表示，同时去掉左右两侧的中括号分隔符。

class MyList(list):  # 自定义 list类型，继承于list
    def __init__(self, value):  # 类型初始化函数
        self.value = list(value)  # 把接收的参数转换为列表并存储起来

    def __str__(self):  # 类型字符串表示函数
        # 把传入的值转换为字符串，并去掉左右两侧的中括号分隔符
        return str(self.value).replace("[", "").replace("]", "")


s = str(MyList([1, 2, 3]))  # 把自定义类型实例对象转换为字符串
print(s)  # 默认为"[1, 2, 3]" 实际输出结果为："1, 2, 3"

1.2 转义字符

在 Python 字符串中如果显示特殊字符，必须经过转义才能够显示。例如，换行符需要使用 \n 表示，制表符需要使用 \t 表示，单引号需要使用 \' ，双引号需要使用 \" 表示，等等。Python 可用的字符转义序列说明如下表所示：

转 义 序 列	含 义
\newline（下一行）	忽略反斜杠和换行
\\	反斜杠（\）
\’	单引号（’）
\"	双引号（"）
\a	ASCII 响铃（BEL）
\b	ASCII 退格（BS）
\f	ASCII 换页（FF）
\n	ASCII 换行（LF）
\r	ASCII 回车（CR）
\t	ASCII 水平制表（TAB）
\v	ASCII 垂直制表（VT）
\ooo	八进制的 ooo 的字符。与标准C中一样，最多可接收3个八进制数字
\xhh	十六进制值 hh 的字符。与标准C不同，只需要2个十六进制数字
\N{name}	Unicode 数据库中名称为 name 的字符。【提示】：只在字符串字面值中识别的转义序列
\uxxxx	16 位的十六进制值为 xxxx 的字符。4个十六进制数字是必需的。【提示】：只在字符串字面值中识别的转义序列
\Uxxxxxxxx	32 位的十六进制值为 xxxxxxxx 的字符，任何 Unicode 字符可以这种方式被编码。8个十六进制数字是必需的。【提示】：只在字符串字面值中识别的转义序列

【示例1】本示例分别使用转义字符、八进制数字、十六进制数字表示换行符。

【示例2】如果八进制数字不满3位，则首位自动补充0。如果八进制数字超出3位，十六进制数字超出2位，超出数字将视为普通字符显示。

1.3 原始字符串

在 Python3 中，字符串常见有 3 种形式：普通字符串（str）、Unicode 字符串（unicode）和原始字符串（也称为原义字符串）。

原始字符串的出现目的：解决字符串中显示特殊字符。在原始字符串里，所有的字符都直接按照字面的意思来使用，不支持转义序列和非打印的字符。

原始字符串的这个特性让一些工作变得非常方便。例如，在使用正则表达式的过程中，正则表达式字符串，通常是由代表字符、分组、匹配信息、变量名和字符类等特殊符号组成。当使用特殊字符时，\字符 格式的特殊字符容易被歧义，这时使用原始字符串就会派上用场。可以使用 r 或 R 来定义原始字符串，这个操作符必须紧靠在第一个引号前面。语法格式如下：

r"原始字符串"
R"原始字符串"

【示例】定义文件路径的字符串时，会使用很多反斜杠，如果每个反斜杠都用歧义字符串来表示会很麻烦，可以采用下面代码来表示。

1.4 Unicode 字符串

从 Python 1.6 开始支持 Unicode 字符串，用来表示双字节、多字节字符、实现与其他字符编码的格式转换。在 Python 中，定义 Unicode 字符串与定义普通字符串一样简单，语法格式如下：

u'Unicode 字符串'
U"Unicode 字符串"

引号前面的操作符 u 或 U 表示创建的是一个 Unicode 字符串。如果想加入特殊字符，可以使用 Unicode 编码。例如：

str1 = u"Hello\u0020World"
print(str1)  # 输出：Hello World

被替换的 \u0020 标识符表示在给定位置插入编码值为 0x0020 的 Unicode 字符（空格符）。Unicode 字符串的作用：u 操作符后面字符串将以 Unicode 格式进行编码，防止因为源码存储格式问题，导致再次使用时出现乱码。

unicode() 和 unichr() 函数可以作为 Unicode 版本的 str()和chr()。unicode()函数可以把任何 Python 的数据类型转换成一个 Unicode 字符串，如果对象定义了 __unicode__() 魔术方法，它还可以把该对象转换成相应的 Unicode 字符串。unichr() 函数和chr()函数功能基本一样，只不过返回 Unicode 的字符。

1.5 字符编码类型

字符编码就是把字符集中的字符编码为指定集合中某一对象，以便文本在计算机中存储和传递。常用字符编码类型如下。

1. ASCII：全称为美国国家信息交换标准码，是最早的标准编码，使用 7 个或8个二进制位进行编码，最多可以给 256 个字符分配数值，包括 26 个大写与小写字母、10 个数字、标点符号、控制字符以及其他符号。
2. GB2312：一个简体中文字符集，由 6763 个常用汉字和 682 个全角的非汉字字符组成。GB2312 编码使用两个字节表示一个汉字，所以理论上最多可以表示 256×256 =65536 个汉字。这种编码方式仅在中国通行。
3. GBK：该编码标准兼容 GB2312，并对其进行扩展，也采用双字节表示。其共收录汉字 21003个、符号 883 个，提供 1894 个造字码位，简、繁体字融于一库。
4. Unicode：是为了解决传统字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。Unicode 通常用两个字节表示一个字符，原有的英文编码从单字节变成双字节，只需要把高字节全部填为 0 即可。
5. UTF-8：为了提高 Unicode 的编码效率，于是就出现了 UTF-8 编码。UTF-8 可以根据不同的符号自动选择编码的长短。比如英文字母可以只用1个字节就够了。

读者想要详细了解可以点击 编码百度百科 进行学习。

1.6 字节串

在 Python 中，有两种常用的字符串类型，分别为 str 和 bytes。其中， str 表示 Unicode 字符（ASCII或者其他），bytes 表示二进制数据（包括编码的文本）。这两种类型的字符串不能拼接在一起使用。通常情况下，str 在内存中以 Unicode 表示，一个字符对应若干个字节。但是如果在网络上传输，或者存到磁盘上，就需要把 str 转换为字节类型，即 bytes 类型。

字节串（bytes）也称字节序列，是不可变的序列，存储以字节为单位的数据。提示：bytes 类型是 Python3 新增的一种数据类型。字节串与字符串的比较：

1. 字符串是由多个字符构成，以字符为单位进行操作。默认为 Unicode 字符，字符范围为 0~65535。字符串是字符序列，它是一种抽象的概念，不能直接存储在硬盘，用以显示供人阅读或操作。
2. 字节串是由多个字节构成，以字节为单位进行操作。字节是整型值，取值范围 0~255。字节串是字节序列，因此可以直接存储在硬盘。

除了操作单元不同外，字节串与字符串的用法基本相同。它们之间的映射被称为解码或编码。定义字节串的方法如下：
(1) 使用字面值
以 b 操作符为前缀的 ASCII 字符串。语法格式如下：

b"ASCII 字符串"
b"转义序列"

字节是 0~255 之间的整数，而 ASCII 字符集范围为 0~255，因此它们之间可以直接映射。通过转义序列可以映射更大规模的字符集。

【示例1】下面示例使用字面值直接定义字符串。

(2) 使用 bytes() 函数
使用 bytes() 函数可以创建一个字节串对象，简明语法格式如下：

bytes()  # 生成一个空的字节串，等同于b''
bytes(整型可迭代对象)  # 用可迭代对象初始化一个字节串，元素必须为[0,255]中的整数
bytes(整数n)  # 生成n个值为零的字节串
bytes('字符串', encoding='编码类型')  # 使用字符串的转换编码生成一个字节串

【示例2】下面示例使用 bytes()函数创建多个字节串对象。

字节串是不可变序列，使用 bytearray() 可以创建可变的字节序列，也称为字节数组（bytearray）。数组是每个元素类型完全相同的一组列表，因此可以使用操作列表的方法来操作数组。
bytearray() 函数的简明语法格式如下：

bytearray()  # 生成一个空的可变字节串，等同于 bytearray(b'')
bytearray(整型可迭代对象)  # 用可迭代对象初始化一个可变字节串,元素必须为 [0, 255] 中的整数
bytearray(整数n)  # 生成 n 个值为零的可变字节串
bytearray(字符串, encoding='utf-8')  # 用字符串的转换编码生成一个可变字节串

1.7 字符编码和解码

在编码转换时，通常以 Unicode 作为中间码，即先将一种类型的字符串解码（decode）成 Unicode，再从 Unicode 编码（encode）成另一种类型的字符串。

(1) 使用 encode()
使用字符串对象的 encode()方法可以根据参数 encoding 指定的编码格式将字符串编码为二进制数据的字节串，语法格式如下：

str.encode(encoding='UTF-8', errors='strict')

str 表示字符串对象：参数 encoding 表示要使用得编码类型，默认为 UTF-8 ，参数 errors 设置不同错误的处理方案，默认为 strict，表示遇到非法字符就会抛出异常，其他取值包括 ignore（忽略非法字符）、replace（用 ? 替换非法字符）、xmlcharrefreplace （使用 XML 的字符引用）、backslashreplace ，以及通过 codecs.register_error() 注册的任何值。
【示例1】本例使用 encode()方法对 中文 字符串进行编码。

u = "中文"
str1 = u.encode("gb2312")
print(str1)
str2 = u.encode("gbk")
print(str2)
str3 = u.encode("utf-8")
print(str3)

(2) 使用 decode()
与 encode() 方法操作相反，使用 decode()方法可以解码字符串，即根据参数 encoding 指定的编码格式将二进制数据的字节串解码为字符串。语法格式如下：

str.decode(encoding='UTF-8', errors='strict')

str 表示被 decode()解码的字节串，该方法的参数与 encode()方法的参数用法相同。最后返回解码后的字符串。
【示例2】针对示例1，可以使用下面代码对编码字符串进行解码。

u = "中文"
str1 = u.encode("gb2312")
u1 = str1.decode("gb2312")
print(u1)  # 输出：中文
u2 = str1.decode("utf-8")  # 报错，因为str1是gb2312编码的
"""
报错如下：
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd6 in position 0: invalid continuation byte
"""

encode()和decode()方法的参数编码格式必须一致，否则将抛出上面代码所示的异常。

1.8 字符串的长度

计算字符串的长度可以使用 len()函数。例如：

s1 = "中国China"  # 定义字符串
print(len(s1))  # 输出为7

从上面结果可以看出，在默认情况下，len()函数计算字符串的长度是区分字母、数字和汉字的，每个汉字视为一个字符。

但是，在实际开发中，有时候需要获取字符串的字节长度。在 UTF-8 编码中，每个汉字占用3个字节，而在 GBK 或 GB2312中，每个汉字占用 2 个字符。例如：

s1 = "中国China"  # 定义字符串
print(len(s1.encode()))  # 输出为11
print(len(s1.encode("gbk")))  # 输出为9

从上面代码可以看出，两行输出代码的结果并不相同，第 2 行 print(len(s1.encode())) 使用默认的 UTF-8 编码，则字节长度为11，即每个汉字占用 3 个字节，而第 3 行print(len(s1.encode(“gbk”))) 使用 GBK 编码，则字节长度为 9，即每个汉字占用 2 个字节。

因此，由于不同字符占用字节数不同，当计算字符串的字节长度时，需要考虑使用编码进行计算。在 Python 中，字母、数字、特殊字符一般占用 1 个字节，汉字一般占用 2~4 个字节。

1.9 访问字符串

Python 不支持单字符类型，单字符在 Python 中也是作为一个字符串使用。Python 访问字符串中的字符有两种方式。

(1) 索引访问
在 Python 中，字符串是一种有序序列，字符串里的每一个字符都有一个数字编号标识其在字符串中的位置，从左至右依次是：0、1、2、…、n-1，从右至左依次是 -1、-2、-3、…、-n（其中 n 是字符串的长度）。
【示例1】通过索引来访问字符串中的某个字符。

(2) 切片访问
使用切片可以获取字符中某个范围的子字符串。语法格式如下：

str[start:end:step]

参数 start 为起点，end 为终点，step 为步长，返回字符串由从 start 到 end-1 的字符组成。
【示例2】下面示例演示一些字符串切片操作。

提示：当切片的第 3 个参数为负数时，表示逆序输出，即输出顺序为从右到左，而不是从左到右。

1.10 遍历字符串

在字符串过滤、筛选和编码时，经常需要遍历字符串。遍历字符串的方法有多种，具体说明如下。

1.10.1 使用 for 语句

【示例1】使用 for 语句循环遍历字符串，然后把每个字符都转换为大写形式并输出。

s1 = "python"  # 定义字符串
L = []  # 定义临时备用列表
for i in s1:  # 迭代字符串
    L.append(i.upper())  # 把每个字符转换为大写形式
print("".join(L))  # 输出大写字符串 PYTHON

1.10.2 使用 range()

使用 range() 函数，然后把字符串长度作为参数传入。
【示例2】针对示例1，也可以按照以下方式遍历字符串。

s1 = "python"  # 定义字符串
L = []  # 定义临时备用列表
for i in range(len(s1)):  # 根据字符串长度遍历字符串下标数字，
    # 从0开始，直到字符串长度
    L.append(s1[i].upper())  # 把每个字符转换为大写形式
print("".join(L))  # 输出大写字符串 PYTHON

1.10.3 使用 enumerate()

enumerate()函数将一个可迭代的对象组合为一个索引序列。
【示例3】针对示例1，使用 enumerate() 函数将字符串转换为索引序列，然后再迭代操作。

s1 = "python"  # 定义字符串
L = []  # 定义临时备用列表
for i, char in enumerate(s1):  # 把字符串转换为索引序列，然后再遍历
    L.append(char.upper())  # 把每个字符转换为大写形式
print("".join(L))  # 输出大写字符串 PYTHON

1.10.4 使用 iter()

使用 iter()函数可以生成迭代器。语法格式如下：

iter(object[, sentinel])

参数 object 表示支持迭代的集合对象，sentinel 是一个可选参数，如果传递了第 2 个参数，则参数 object 必须是一个可调用的对象（如函数），此时，iter() 函数将创建一个迭代器对象，每次调用这个迭代器对象的 __next__() 方法时，都会调用 object。
【示例4】针对示例1，使用 iter() 函数将字符串生成迭代器，然后再遍历操作。

s1 = "python"  # 定义字符串
L = []  # 定义临时备用列表
for item in iter(s1):  # 把字符串生成迭代器，然后再遍历
    L.append(item.upper())  # 把每个字符转换为大写形式
print("".join(L))  # 输出大写字符串 PYTHON

1.10.5 逆序遍历

逆序遍历就是从右到左反向迭代对象。
【示例5】本示例演示了 3 种逆序遍历字符串的方法。

s1 = "Python"
print("1. 通过下标逆序遍历:")
for i in s1[::-1]:
    print(i, end="")

print("\n2. 通过下标逆序遍历:")
for i in range(len(s1) - 1, -1, -1):
    print(s1[i], end="")

print("\n3. 通过reversed()逆序遍历:")
for i in reversed(s1):
    print(i, end="")

1.11 案例：判断两个字符串是否为变形词

假设给定两个字符串 str1、str2，判断这两个字符串中出现的字符是否一致，字符数量是否一致，当两个字符串的字符和数量一致时，则称这两个字符串为变形词。例如：

str1 = "python", str2="thpyon", 返回True
str2 = "python", str2="thonp", 返回False

示例代码如下：

# -*- coding: UTF-8 -*-
"""
@author:AmoXiang
@file:2.判断两个字符串是否为变形词.py
@time:2021/01/16
"""


def is_deformation(str1, str2):  # 定义变形词函数
    if str1 is None or str2 is None or len(str1) != len(str2):  # 当条件不符合时
        return False  # 返回False
    if len(str1) == 0 and len(str2) == 0:  # 当两个字符串长度都为0时
        return True  # 返回True
    dic = dict()  # 定义一个空字典
    for char in str1:  # 循环遍历字符串str1
        if char not in dic:  # 判断字符是否在字典中
            dic[char] = 1  # 不存在时，赋值为1
        else:
            dic[char] = dic[char] + 1  # 存在时字符的值累加
    for char in str2:  # 循环遍历字符串str2
        if char not in dic:  # 当str2的字符不在字典中时 返回False
            return False
        else:
            dic[char] = dic[char] - 1  # 当str2和str1的字符种类一致时，字典中的字符值自减1
            # 字符的值小于0，即字符串的字符数量不一致 返回False 否则返回True
            if dic[char] < 0:
                return False
    return True


str1 = "python"
str2 = "thpyon"
str3 = "hello"
str4 = "helo"
# 输出：python thpyon is deformation: True
print(str1, str2, "is deformation:", is_deformation(str1, str2))
# 输出：hello helo is deformation: False
print(str3, str4, "is deformation:", is_deformation(str3, str4))

1.12 案例：字节串的应用

1.12.1 计算md5

在计算 md5 值的过程中，有一步要使用 update 方法，而该方法只接受 bytes 类型数据。

import hashlib

string = "123456"

m = hashlib.md5()  # 创建md5对象
str_bytes = string.encode(encoding='utf-8')
print(type(str_bytes))  # <class 'bytes'>
m.update(str_bytes)  # update方法只接收bytes类型数据作为参数
str_md5 = m.hexdigest()  # 得到散列后的字符串

print('MD5散列前为 ：' + string)  # MD5散列前为 ：123456
print('MD5散列后为 ：' + str_md5)  # MD5散列后为 ：e10adc3949ba59abbe56e057f20f883e

1.12.2 二进制读写文件

使用二进制方式读写文件时，均要用到 bytes 类型，二进制写文件时，write()方法只接受 bytes 类型数据，因此需要先将字符串转成 bytes 类型数据；读取二进制文件时，read()方法返回的是 bytes 类型数据，使用 decode()方法可将 bytes 类型转成字符串。

f = open('data.txt', 'wb')
text = '二进制写文件'
text_bytes = text.encode('utf-8')
f.write(text_bytes)
f.close()

f = open('data.txt', 'rb')
data = f.read()
print(data, type(data))
str_data = data.decode('utf-8')
print(str_data)
f.close()

1.12.3 socket编程

使用 socket 时，不论是发送还是接收数据，都需要使用 bytes 类型数据。关于网络编程，请点击 Python网络编程 进行学习。

至此今天的案例就到此结束了，笔者在这里声明，笔者写文章只是为了学习交流，以及让更多学习 Python 基础的读者少走一些弯路，节省时间，并不用做其他用途，如有侵权，联系博主删除即可。感谢您阅读本篇博文，希望本文能成为您编程路上的领航者。祝您阅读愉快！

---

    好书不厌读百回，熟读课思子自知。而我想要成为全场最靓的仔，就必须坚持通过学习来获取更多知识，用知识改变命运，用博客见证成长，用行动证明我在努力。
    如果我的博客对你有帮助、如果你喜欢我的博客内容，请 点赞、评论、收藏 一键三连哦！听说点赞的人运气不会太差，每一天都会元气满满呦！如果实在要白嫖的话，那祝你开心每一天，欢迎常来我博客看看。
 编码不易，大家的支持就是我坚持下去的动力。点赞后不要忘了 关注 我哦！