聊聊Python 3 的字符串：str 和 bytes 的區別

Python2的字符串有兩種：str 和 unicode，Python3的字符串也有兩種：str 和 bytes。Python2 的 str 相當于 Python3 的bytes，而unicode相當于Python3的str。

Python2里面的str和unicode是可以混用的，在都是英文字母的時候str和unicode沒有區別。而Python3 嚴格區分文本（str）和二進制數據（bytes），文本總是unicode，用str類型，二進制數據則用bytes類型表示，這樣嚴格的限制也讓我們對如何使用它們有了清晰的認識，這是很棒的。

Python2 和 Python3 的區別

通過以下代碼我們認識以下Python2和Python3的字符串混用情況：

# Python2中：In [1]: 'a' == u'a'Out[1]: True
In [2]: 'a' in u'a'Out[2]: True
In [3]: '編程' == u'編程'/usr/local/bin/ipython:1: UnicodeWarning: Unicode equal comparison failed to convert both arguments to Unicode - interpreting them as being unequal#!/usr/bin/pythonOut[3]: False
In [4]: '編程' in u'編程'---------------------------------------------------------------------------UnicodeDecodeError Traceback (most recent call last)
<ipython-input-4-7b677a923254> in <module>()
----> 1 '編程' in u'編程'
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe7 in position 0: ordinal not in range(128)
# Python3中：
In [1]: 'a' == b'a'Out[1]: False
In [2]: 'a' in b'a'---------------------------------------------------------------------------TypeError Traceback (most recent call last)
<ipython-input-10-ca907fd8856f> in <module>()
----> 1 'a' in b'a'
TypeError: a bytes-like object is required, not 'str'

以上代碼可以看到，Python2中str和unicode的在都是ascii碼時混用沒區別，因為unicode的ascii區域的值跟str的ascii是一樣的；而對應非ascii區域（比如中文），二者又不一樣了，可以看到Python2拋出了UnicodeDecodeError的異常，相信這也是很多人處理文本時遇到過的錯誤；‘編程’在str類型時長度是6，而在unicode時是2。不同字符的不同表現，讓Python2的str和unicode顯得撲朔迷離。

在Python3中，嚴格區分了str和bytes，不同類型之間操作就會拋出TypeError的異常。

上面用示例闡述了Python2和Python3中字符串的不同，下面主要講Python3中的字符串。

str和bytes之間的轉換

一圖勝千言：

str和bytes的相互轉換

str.encode(‘encoding’) -> bytes

bytes.decode(‘encoding’) -> str

encoding 指的是具體的編碼規則的名稱，對于中文來說，它可以是這些值： ‘utf-8’, ‘gb2312’, ‘gbk’, ‘big5’ 等等。

不知道你有沒有注意到上圖中str矩形要比bytes矩形短，表示同樣的內容，str的長度要小于或等于bytes的長度，你可以考慮一下原因（參考Unicode、UTF-8的編碼規則）

下面看看具體代碼理解一下str和bytes的相互轉換：

In [16]: a = 'T恤'In [17]: a
Out[17]: 'T恤'In [18]: len(a)
Out[18]: 2In [19]: b = a.encode('utf8')
In [20]: b
Out[20]: b'T\xe6\x81\xa4'In [21]: a == b
Out[21]: FalseIn [22]: c = a.encode('gbk')
In [23]: c
Out[23]: b'T\xd0\xf4'In [24]: b == c
Out[24]: FalseIn [25]: a == c
Out[25]: False

上面str和bytes之間的轉換是針對文本內容的，要是其它二進制內容（比如，圖片）時，bytes就不能decode成str了，看以下代碼的異常：

In [29]: img = open('str-bytes.jpg', 'rb').read()
In [30]: type(img)
Out[30]: bytes
In [31]: img.decode('utf8')
---------------------------------------------------------------------------
UnicodeDecodeError Traceback (most recent call last)
<ipython-input-31-c9e28f45be95> in <module>()----> 1 img.decode('utf8')UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 0: invalid start byte

因為圖片中的二進制數據不符合文本數據的UTF-8編碼規則。

上面獲得圖片數據時，我們用到了open()來讀取文件，文件存儲的無非是文本和二進制這兩種格式，讀寫文件時也有分清楚編碼：

In [32]: open('z.txt', 'w').write('T恤')
Out[32]: 2In [33]: open('z.txt', 'w').write(img)
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-33-4a88980b3a54> in <module>()
----> 1 open('z.txt', 'w').write(img)
TypeError: write() argument must be str, not bytes
In [34]: open('z.txt', 'wb').write(img)
Out[34]: 12147

讀寫二進制數據（如圖片）時，要加’rb’參數，b代碼binary（二進制）

讀寫文本數據時，一般加’b’,open()會自動轉換bytes到str。

總結一下

Python3里面的str是在內存中對文本數據進行使用的，bytes是對二進制數據使用的。

str可以encode為bytes，但是bytes不一定可以decode為str。實際上bytes.decode(‘latin1’)可以稱為str，也就是說decode使用的編碼決定了decode()的成敗，同樣的，UTF-8編碼的bytes字符串用GBK去decode()也會出錯。

bytes一般來自網絡讀取的數據、從二進制文件（圖片等）讀取的數據、以二進制模式讀取的文本文件(.txt, .html, .py, .cpp等)

文章首發于我的個人博客，同時我也在 猿人學網站 上寫Python教程
你也可以關注我的個人公眾號：猿人學Python