温故而求知新：浅谈Python的字符串

在《详解Python拼接字符串的七种方式》这篇推文里，我提到过，字符串是程序员离不开的事情。后来，我看到了一个英文版本的说法：

There are few guarantees in life: death, taxes, and programmers needing to deal with strings.

它竟然把程序员处理字符串跟死亡大事并列了，可见这是多么命中注定……

回头看其它文章，我发现这种说法得到了佐证，因为我在无意中已零零碎碎地提及了字符串的很多方面，例如：字符串读写文件、字符串打印、字符串不可变性、字符串Intern机制、字符串拼接、是否会取消字符串，等等。而这些，还只能算字符串面目的冰山一角。

既然如此，那干脆再单独写写Python的字符串吧。这篇内容可能会很基（li）础（lun），并不是什么“骚 *** 作”或“冷知识”，权当是一份温故而求知新的笔记。

1 Python字符串是什么？

根据维基百科定义：字符串是由零个或多个字符组成的有限序列。而在Python 3中，它有着更明确的意思：字符串是由Unicode码点组成的不可变序列（Strings are immutable sequences of Unicode code points.）

字符串是一种序列，这意味着它具备序列类型都支持的 *** 作：

# 以下的s、t皆表示序列，x表示元素
x in s  # 若s包含x，返回True，否则返回False
x not in s  # 若s包含x，返回False，否则返回True
s + t  # 连接两个序列
s * n  # s复制n次
s[i]   # s的索引第i项
s[i:j] # s切片从第i项到第j-1项
s[i:j:k]  #  s切片从第i项到第j-1项,间隔为k
len(s)  # s的长度
min(s)  # s的最小元素
max(s)  # s的最大元素
s.index（x） # x的索引位置
s.count(x)  # s中出现x的总次数

字符串序列还具备一些特有的 *** 作，限于篇幅，按下不表。

字符串序列是一种不可变序列，这意味着它不能像可变序列一样，进行就地修改。例如，在字符串“Python”的基础上拼接“Cat”，得到字符串“PythonCat”，新的字符串是一个独立的存在，它与基础字符串“Python”并没有关联关系。

basename = "Python"
myname = basename + "Cat"
id(basename) == id(myname) >>> False

# 作为对比，列表能就地修改
baselist = ["Python"]
baselist.append("Cat")
print(baselist) >>> ['Python', 'Cat']

字符串这种序列与其它序列（如列表、元组）的不同之处在于，它的“元素”限定了只能是Unicode码点。Unicode码点是什么呢？简单理解，就是用Unicode编码的字符。那字符是什么呢？字符是人类书写系统的各类符号，例如阿拉伯数字、拉丁字母、中文、日文、藏文、标点符号、控制符号（换行符、制表符等）、其它特殊符号（@#￥%$*等等）。那Unicode编码又是什么呢？Unicode别名是万国码、国际码，它是一种适用性最广的、将书写字符编码为计算机数字的标准。

总所周知，在最底层的计算机硬件世界里，只有0和1。那么，怎么用这个二进制数字，来表示人类的文化性的字符呢？这些字符数量庞大，而且还在日益增长与变化，什么样的编码方案才是最靠谱的呢？

历史上，人类创造了多种多样的字符编码标准，例如ASCII（1963年）编码，以西欧语言的字符为主，它的缺点是只能编码128个字符；例如GB2312（1981年），这是中国推出的编码标准，在兼容ASCII标准的基础上，还加入了对日文、俄文等字符的编码，但缺点仍是编码范围有限，无法表示古汉语、繁体字及更多书写系统的字符。

Unicode编码标准于1991年推出，至今迭代到了第11版，已经能够编码146个书写系统的130000个字符，可谓是无所不包，真不愧是“国际码”。Unicode编码其实是一个二进制字符集，它建立了从书写字符映射成唯一的数字字符的关系，但是，由于各系统平台对字符的理解差异，以及出于节省空间的考虑，Unicode编码还需要再做一次转换，转换后的新的二进制数字才能作为实际存储及网络传输时的编码。

这种转换方式被称为Unicode转换格式（Unicode TransformaTIon Format，简称为UTF），它又细分为UTF-8、UTF-16、UTF-32等等方式。我们最常用的是UTF-8。为什么UTF-8最常用呢？因为它是可变长度的编码方案，针对不同的字符使用不同的字节数来编码，例如编码英文字母时，只需要一个字节（8个比特），而编码较复杂的汉字时，就会用到三个字节（24个比特）。