Python 中的字节操作

Question

我正在做一个项目，在这个项目中我必须使用 python 执行一些字节操作，我想在继续之前了解一些基本原则。

t1 = b"\xAC\x42\x4C\x45\x54\x43\x48\x49\x4E\x47\x4C\x45\x59"
t2 = "\xAC\x42\x4C\x45\x54\x43\x48\x49\x4E\x47\x4C\x45\x59"
print("Adding b character before: ",t1)
print("Using bytes(str): ",bytes(t2,"utf-8"))
print("Using str.encode: ",t2.encode())

特别是，当我运行上面的代码时，我不明白为什么控制台打印这个：

C:\Users\Marco\PycharmProjects\codeTest\venv\Scripts\python.exe C:/Users/Marco/PycharmProjects/codeTest/msgPack/temp.py
Adding b character before:  b'\xacBLETCHINGLEY'
Using bytes(str):  b'\xc2\xacBLETCHINGLEY'
Using str.encode:  b'\xc2\xacBLETCHINGLEY'

我想了解的是，为什么如果我使用 bytes() 或解码，我会在值前面得到一个额外的 "\xc2"。这是什么意思？这应该出现吗？如果是这样，我如何在不使用第一种方法的情况下摆脱它？

Answer 1

因为bytes对象和str对象是两个不同的东西。前者表示bytes的序列，后者表示unicode码位的序列。字节 172 和 unicode 代码点 172 之间存在巨大差异。

特别是，字节 172 没有对任何特定的 unicode 进行编码。另一方面，unicode代码点172指的是以下字符：

>>> c = chr(172)
>>> print(c)
¬

当然，它们对应的实际原始字节取决于编码。使用utf-8是两字节编码：

>>> c.encode()
b'\xc2\xac'

在latin-1编码中，是一个1字节：

>>> c.encode('latin')
b'\xac'

如果你想要原始字节，那么最 precise/easy 的方法就是使用字节文字。

Answer 2

在字符串字面量中，\xhh（h为十六进制数字）选择对应的unicode字符U+0000到U+00FF，其中U+00AC为¬"not sign".当编码为 utf-8 时，0x7F 以上的所有代码点都占用两个或更多字节。 \xc2\xac是U+00AC的utf-8编码。

>>> "\u00AC" == "\xAC"
True
>>> "\u00AC" == "¬"
True
>>> "\xAC" == "¬"
True
>>> "\u00AC".encode('utf-8')
b'\xc2\xac'
>>> "¬".encode("utf-8")
b'\xc2\xac'

Python 中的字节操作

Bytes operations in Python

python

python-3.x

byte

decode

encode