python中小数据池和编码
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
二、接下来我们来看一下小数据池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的内存地址
s = 'alex'
print(id(s)) # 4326667072
2、is和==
== 判断左右两段的值是否相等，是否一致
is 判断左右两端的内存地址是否一致，如果一致就返回True
注意：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 。
3、小数据池.：⼀种数据缓存机制. 也被称为驻留机制.
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. –引⾃维基百科
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，二不需要创建一个新的数据，这样可以节省更多的内存。
-
优点：能够提高一些字符串、整数的处理速度，省去了创建对象的过程。
-
缺点：在”池“中插入或者创建新值会花费更多时间。
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:
- 如果字符串的⻓度是0或者1, 都会默认进⾏缓存
- 字符串⻓度⼤于1, 但是字符串中只包含字⺟, 数字, 下划线时才会缓存
- 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, ⽽⻓度<=1 也会被驻存,
②. 乘数⼤于1 . 仅包含数字, 字⺟, 下划线这个时候会被缓存. 但字符串⻓度不能⼤于20 - 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.
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
- 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
- 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
- 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
- UTF-8: 可变⻓度的万国码. 是unicode的⼀种实现. 最⼩字符占8位
英⽂: 8bit 1byte
欧洲⽂字:16bit 2byte
中⽂:24bit 3byte
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比较浪费时间和资源。需要把unicode转村委utf-8或者gbk进行存储。
在python中可以把文字信息进行编码。编码以后的内容就可以进行传输了，编码以后的数据都是bytes类型的数据，其实原来的数据只是被编码了，并没有改变信息内容。
- bytes的表现形式：
-
英文 b' alex’ 引文的表现形式跟字符串没什么区别
-
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
解码
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'.decode("utf-8")) # 解码
编码和解码的时候都需要制定编码格式.
#学习中遇到问题没人解答？小编创建了一个Python学习交流群：153708845
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)
