Python入门再谈编码

一.小数据池

　　在说小数据池之前. 我们先看一个概念. 什么是代码块:

根据提示我们从官方文档找到了这样的说法：
　　A Python program is constructed from code blocks. A block is a piece of
Python program text that is executed as a unit. The following are blocks: a
module, a function body, and a class definition. Each command typed
interactively is a block. A script file (a file given as standard input to
the interpreter or specified as a command line argument to the interpreter)
is a code block. A script command (a command specified on the interpreter
command line with the ‘-c‘ option) is a code block. The string argument
passed to the built-in functions eval() and exec() is a code block.
A code block is executed in an execution frame. A frame contains some
administrative information (used for debugging) and determines where and
how execution continues after the code block’s execution has completed.
粗略的翻译:
python程序是由代码块构成的. 一个代码块的文本作为python程序执行的单元.
代码块: 一个模块, 一个函数, 一个类, 甚至每一个command命令都是一个代码块. 一个文件也是一个代码块, eval()和exec()执行的时候也是一个代码块

　　什么是命令行? 我们在控制台CMD中输入python进入的就是python的command模式. 在这里也可以写 python的程序. 而根据上面的官方的解释来看. 一个command命令就是一个python代码块

二. is和==的区别

　　1.id()

　　　　通过id()我们可以查看到一个变量表示的值在内存中的地址

s = 'alex'
print(id(s)) # 4326667072

　　2. is 和 ==

　　　　== 判断左右两端的值是否相等, 是不是一致;

　　　　is 判断左右两端内容的内存地址是否一致. 如果返回True, 那可以确定这两个变量使用的是同一个对象

　　我们可以这样认为, 如果内存地址相同, 那么值一定是相等的. 如果值相等. 则不一定是同一个对象.

　　小数据池:一种数据缓存机制, 也被称为驻留机制, 各种编程语言中都有类似的东西, 在网上搜索常量池,小数据池指的都是同一个内容.

　　小数据池只针对: 整数, 字符串, 布尔值. 其他的数据类型不存在驻留机制

对于整数，Python官方文档中这么说：
　　The current implementation keeps an array of integer objects for all
integers between -5 and 256, when you create an int in that range you
actually just get back a reference to the existing object. So it should be
possible to change the value of 1. I suspect the behaviour of Python in
this case is undefined.
对于字符串：
　　Incomputer science, string interning is a method of storing only onecopy of
each distinct string value, which must be immutable. Interning strings
makes some stringprocessing tasks more time- or space-efficient at the cost
of requiring moretime when the string is created or interned. The distinct
values are stored ina string intern pool. –引自***

　　在python中对-5到256之间的整数会被驻留在内存中, 将一定规则的字符串缓存, 在使用的时候, 内存中只会创建一个该数据的对象. 保存在小数据池中. 当使用的时候直接从小数据池中获取对象的内存引用. 而不需要创建一个新的数据. 这样会节省更多的内存区域.

　　 优点: 能够提高一些字符串, 整数的处理速度. 省略的创建对象的过程.

　　 缺点: 在'池'中创建或者插入新的内容会花费更多的时间.

　　 对于数字: -5~256是会被加到小数据池中的. 每次使用都是同一个对象.

　　 对于字符串: 1. 如果字符串的长度是0或者1, 都会默认进行缓存

　　　　　　　   2. 字符串长度大于1, 但是字符串中只包含字母, 数字, 下划线时才会缓存

                            3.用乘法的到的字符串. ①. 乘数为1, 仅包含数字, 字母, 下划线时会被缓存. 如果包含其他字符, 而长度<=1 也会被驻存, ②. 乘数大1,仅包含数字, 字母, 下划线这个时候会被缓存. 但字符串长度不能大于20

　　　　　　      4. 指定驻留. 我们可以通过sys模块中的intern()函数来指定要驻留的内容.

　　OK. 到目前为止, 我们已经了解了python的小数据池的一些基本情况了, 但是!!!! 还有最后一个问题,小数据池和最开始的代码块有什么关系呢? 同样的一段代码在命令行窗口和在py文件中,出现的效果是完全不一样的.

a = 1000
b = 1000
print(a is b)
注意. 在py文件中,得到的结果是True, 但是在command中就不是了.

　　在代码块内的缓存机制是不一样的. 在执行同一个代码块的初始化对象的命令时, 会检查是否其值是否已经存在, 如果存在, 会将其重用. 换句话说: 执行同一个代码块时, 遇到初始化对象的命令时，他会将初始化的这个变量与值存储在一个字典中, 在遇到新的变量时, 会先在字典中查询记录, 如果有同样的记录那么它会重复使用这个字典中的之前的这个值. 所以在你给出的例子中, 文件执行时(同一个代码块) 会把a, b两个变量指向同一个对象.

　　如果是不同的代码块, 他就会看这个两个变量是否是满足小数据池的数据, 如果是满足小数据池的数据则会指向同一个地址. 所以: a, b的赋值语句分别被当作两个代码块执行, 但是他们不满足小数据池的数据所以会得到两个不同的对象, 因而is判断返回False.

三. 编码的补充

　　1. python2中默认使用的是ASCII码. 所以不支持中文. 如果需要在Python2中更改编码. 需要在文件的开始编写:

# -*- encoding:utf-8 -*-

　　2. python3中: 内存中使⽤的是unicode码.

编码回顾:

　　1. ASCII : 最早的编码. 里面有英文大写字母, 小写字母, 数字, 一些特殊字符. 没有中文, 8个01代码, 8个bit, 1个byte

　　2. GBK: 中文国标码, 里面包含了ASCII编码和中文常用编码. 16个bit, 2个byte

　　3. UNICODE: 万国码, 里面包含了全世界所有国家文字的编码. 32个bit, 4个byte, 包含了 ASCII　　

　　4. UTF-8: 可变长度的万国码. 是unicode的一种实现. 最小字符占8位

　　　　1.英文: 8bit 1byte

　　　　2.欧洲文字:16bit 2byte

　　　　3.中文:24bit 3byte

　　综上所述, 除了ASCII码以外, 其他信息不能直接转换.

　　 在python3的内存中. 在程序运⾏阶段. 使用的是unicode编码. 因为unicode是万国码. 什么内容都可以进行显示. 那么在数据传输和存储的时候由于unicode比较浪费空间和资源. 需要把 unicode转存成UTF-8或者GBK进行存储. 怎么转换呢. 在python中可以把文字信息进行编码. 编码之后的内容就可以进行传输了. 编码之后的数据是bytes类型的数据.其实啊. 还是原来的数据只是经过编码之后表现形式发生了改变而已.

　　bytes的表现形式:

　　　　1. 英文b'alex' 英文的表现形式和字符串没什么两样

　　　　2. 中文 b'\xe4\xb8\xad' 这是一个汉字的UTF-8的bytes表现形式

　　字符串在传输时转化成bytes=> encode(字符集)来完成

s = "alex"
print(s.encode("utf-8")) # 将字符串编码成UTF-8
print(s.encode("GBK")) # 将字符串编码成GBK
结果:
b'alex'
b'alex'
s = "中"
print(s.encode("UTF-8")) # 中文编码成UTF-8
print(s.encode("GBK")) # 中文编码成GBK
结果:
b'\xe4\xb8\xad'
b'\xd6\xd0'

　　记住: 英文编码之后的结果和源字符串一致. 中文编码之后的结果根据编码的不同. 编码结果也不同.我们能看到. 一个中文的UTF-8编码是3个字节一个GBK的中文编码是2个字节. 编码之后的类型就是bytes类型. 在网络传输和存储的时候我们python是保存和存储的bytes 类型. 那么在对方接收的时候, 也是接收的bytes类型的数据. 我们可以使用decode()来进行解码操作. 把bytes类型的数据还原回我们熟悉的字符串:

s = "我叫李嘉诚"
print(s.encode("utf-8")) #
b'\xe6\x88\x91\xe5\x8f\xab\xe6\x9d\x8e\xe5\x98\x89\xe8\xaf\x9a'
print(b'\xe6\x88\x91\xe5\x8f\xab\xe6\x9d\x8e\xe5\x98\x89\xe8\xaf\x9a'.decod
e("utf-8")) # 解码

　　编码和解码的时候都需要制定编码格式.

s = "我是文字"
bs = s.encode("GBK") # 我们这样可以获取到GBK的文字
# 把GBK转换成UTF-8
# 首先要把GBK转换成unicode. 也就是需要解码
s = bs.decode("GBK") # 解码
# 然后需要进⾏重新编码成UTF-8
bss = s.encode("UTF-8") # 重新编码
print(bss)