python 版本差異雜談之二

囉唆一下：因為我要出去玩ㄦ，今天的文章先抄一下UnicodeError雜談所提到的一些版本差異小知識，祝大家今年都過的沒有遺憾，快快樂樂迎新年~

昨天講了關於python2的print語句與python3的print函數的差別，今天來探討一下關於這兩個版本對於字串處理有何差別，這可是不小的議題，需要好好探究一下。

差異二：字串處理

(1) 類型命名

之前在UnicodeError的議題中有提過，python把其他編碼字串和unicode編碼字串視為不同類型的字串物件。而python2和python3對這兩種物件類型又有不一樣的命名方式：

為何python3要更改物件的命名呢？這是因為python3的命名比較切合實際的意義，也比較不會讓開發者常常搞混，我們可以這樣去理解python3的命名：

因為每個不同的字符都有他獨立的unicode編碼，如同不同的字在我們眼中看起來都是不一樣的，易於區別，所以在python3將其認定為真正的'str'物件，而其他種編碼方式雖不一定能給予每個字不同的識別碼，但相較於unicode，其他編碼方式有比較小的容量，因此比較容易傳遞並儲存，這個特性就像我們在存取或傳遞文字、聲音、影像時，都會以一串由1和0組成的位元組來進行，所以在python3會把其他編碼類型的字串物件視為'Bytes'物件。

但想要從python2轉到python3的開發者們，要記得'str'這個類型名稱在兩種版本裡所指的物件是完全相反的，這點不要搞混。

在下面的討論中，我將會比照python3的命名，以str物件稱呼unicode編碼字串，並以Bytes物件稱呼其他編碼字串。

(2) 對於字串常數的處理

假設我們現在要對一個變數example賦值，而這個值的內容為'範例'，這很簡單，只要一行指令example='範例'就行了，但現在遇到一個問題，那這個example究竟是str物件還是Bytes物件呢？

一般來說，筆者會希望這一個str物件，為什麼呢？因為若是Bytes物件，那通常作業系統給予其編碼型式為'utf-8'，但是'utf-8'卻是一個可變長度的編碼型式，對於一般的英文字母，位元組的長度為1Bytes，但大部份中文卻有3Bytes，那如果我要使用len(example)計算長度，那就是勢必會出現非預期的狀況：

In python2 shell:
>>> example='範例' # python2不會自動解碼字串常數，所以目前example是一個utf-8編碼的Bytes物件
>>> print(len(example))
6
>>> for c in example:
...     print c
... 

�
�

�
�
>>> 

In python3 shell:
>>> print(len(example))
2
>>> for c in example:
...     print(c)
... 
範
例
>>> 

在python2中，保留了原始的Bytes字串的後果，就是python無法將其視為一個完整的字做處理，以至於無法用一些很直觀的方式來操作字串，有鑑於此，開發者只能細心的在賦值時加上u前綴： example=u'範例'，python3意識到了這種問題，所以對於字串常數，會自動將其解碼為str物件，讓開發者不會在這裡採坑。

如果想要在python2使用python3的字串常數處理方法，可以使用from __future__ import unicode_literals。

(3) 混合類型的相加

這個在UnicodeError雜談有提及，對於str字串和Bytes字串的相加，在python3中這是被禁止的，python會拋出TypeError，但是在python2中，會預設先把byte字串用ascii解碼，再做相加的動作，這在一般的英文字母中是行的通的：

In python2 shell:
>>> a='example1' # byte字串
>>> b=u'example2' # str字串
>>> c=a+b
>>> print c
example1example2
>>> print type(c) # 因為a已經是先被解碼再做相加，所以c是一個str字串
<type 'unicode'> 
>>> 

但如果要解碼的byte字串無法用ascii解碼，就會出現UnicodeDecodeError:

In python2 shell:
>>> a='範例1'
>>> b=u'範例1'
>>> c=a+b
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'ascii' codec can't decode byte 0xe7 in position 0: ordinal not in range(128)
>>> 

似乎字串處理還有一些東西沒有講，但今天就先讓大家頭腦休息一下，明天再接再勵，我也再接再勵。