每天学点Python之bytes

Python中的字节码用b‘xxx‘的形式表示。x能够用字符表示，也能够用ASCII编码形式\xnn表示。nn从00-ff(十六进制)共256种字符。

基本操作

以下列举一下字节的基本操作，能够看出来它和字符串还是非常相近的：

In[40]: b = b"abcd\x64"
In[41]: b
Out[41]: b‘abcdd‘
In[42]: type(b)
Out[42]: bytes
In[43]: len(b)
Out[43]: 5
In[44]: b[4]
Out[44]: 100    # 100用十六进制表示就是\x64

假设想要改动一个字节串中的某个字节，不能够直接改动，须要将其转化为bytearray后再进行改动：

In[46]: barr = bytearray(b)
In[47]: type(barr)
Out[47]: bytearray
In[48]: barr[0] = 110
In[49]: barr
Out[49]: bytearray(b‘nbcdd‘)

字节与字符的关系

上面也提到字节跟字符非常相近，事实上它们是能够相互转化的。字节通过某种编码形式就能够转化为对应的字符。

字节通过encode()方法传入编码方式就能够转化为字符。而字符通过decode()方法就能够转化为字节：

In[50]: s = "人生苦短，我用Python"
In[51]: b = s.encode(‘utf-8‘)
In[52]: b
Out[52]: b‘\xe4\xba\xba\xe7\x94\x9f\xe8\x8b\xa6\xe7\x9f\xad\xef\xbc\x8c\xe6\x88\x91\xe7\x94\xa8Python‘
In[53]: c = s.encode(‘gb18030‘)
In[54]: c
Out[54]: b‘\xc8\xcb\xc9\xfa\xbf\xe0\xb6\xcc\xa3\xac\xce\xd2\xd3\xc3Python‘
In[55]: b.decode(‘utf-8‘)
Out[55]: ‘人生苦短。我用Python‘
In[56]: c.decode(‘gb18030‘)
Out[56]: ‘人生苦短，我用Python‘
In[57]: c.decode(‘utf-8‘)
Traceback (most recent call last):
    exec(code_obj, self.user_global_ns, self.user_ns)
  File "<ipython-input-57-8b50aa70bce9>", line 1, in <module>
    c.decode(‘utf-8‘)
UnicodeDecodeError: ‘utf-8‘ codec can‘t decode byte 0xc8 in position 0: invalid continuation byte
In[58]: b.decode(‘gb18030‘)
Out[58]: ‘浜虹敓鑻︾煭锛屾垜鐢≒ython‘

我们能够看到用不同的编码方式解析出来的字符和字节的方式是全然不同，假设编码和解码用了不同的编码方式，就会产生乱码，甚至转换失败。

由于每种编码方式包括的字节种类数目不同，如上例中的\xc8就超出了utf-8的最大字符。

应用

举个最简单的样例。我要爬取一个网页的内容。如今来爬取用百度搜索Python时返回的页面，百度用的是utf-8编码格式。假设不正确返回结果解码，那它就是一个超级长的字节串。而进行正确解码后就能够显示一个正常的html页面。

import urllib.request

url = "http://www.baidu.com/s?ie=utf-8&wd=python"
page = urllib.request.urlopen(url)
mybytes = page.read()
encoding = "utf-8"
print(mybytes.decode(encoding))
page.close()