% 字符串格式化的 

简单的说就是一种将其他变量置入到特定的位置，生成新字符串的操作

print里面有一个%s，就是‘这里讲替换成一个新的字符串’，用作替换的内容放在字符串后面的%后面就是变量n

age = '22'

//my name is 22
print 'my name is %s' % n  


除了%s,还有%d,只是代表的替换类型是不一样的



//第二个百分号要是string就会输出错误，因为第一个百分号跟的是d，需要第二个百分号后面跟的是整数型
print '%dkm'%1998

//下面是多个值
print '%s %d %f'%('jack',29,9.2)

什么是转义字符


定义：

转义字符是很多程序语言、数据格式和通信协议的形式文法的一部分。对于一个给定的字母表，一个转义字符的目的是开始一个字符序列，使得转义字符开头的该字符序列具有不同于该字符序列单独出现（没有转义字符开头）时的语义。因此转义字符开头的字符序列被叫做转义序列。一个转义字符可能并没有它自己的意思，因此所有转义序列具有2个或更多字符。

简单来说就是在一些字符前加 “\” 使它具有其他意义


作用

一、是将一些有特殊含义字符，标识为普通字符，函数解析字符串时看到转义字符，就不再对其做特殊处理，而是当做普通字符打印。

例如引号 " 引号本身用于引用一段字符串，当函数看到引号，就知道跟在后面的是字符串，引号本身是不会直接打印出来的。那如果需要打印出引号来，就需要告诉函数，这个引号不要当做引用的特殊字符处理，当做普通字符打印就好，这里就需要一种通知的方式，反斜线字符就是起到一个标识符的作用。

二、用于表示一些特殊的控制符，比如回车 \n, 换行 \r，退格\b，换页\f 等等转义字符结合普通的字母，用于表示特殊的控制意义，一般用于格式控制。


常见的转义字符使用情况






样式
含义




\123
1~3位八进制数据所表示的字符，如\256


\uF890
4位十六进制数据所表示的字符，如\u0014


’
单引号字符


\
反斜杠字符


\t
水平制表符


\v
垂直制表符


\r
回车


\n
换行符


\b
退格


\f
换页


\a
响铃


注意：在不同的编程语言中，转义字符的使用方法不尽相同。

例如：Java中就没有\v垂直制表符

    

                    

                    

                    
                    
                    
这是杂货铺的第468篇文章

无论是数据库，还是应用服务器，有时会碰见字符集的问题，就有些懵圈。看见CSDN转载了程序员乔戈里的一篇文章，用漫画的形式，讲解了各种字符集的知识，通俗易懂。

原文链接：
漫画：什么是字符集和编码？ASCII、UTF-8、UTF-16、UTF-32 又是什《漫画：什么是字符集和编码？ASCII、UTF-8、UTF-16、UTF-32又是什么？》

当天下午
————————
在计算机底层，比如说你的名字“小萌”在计算机中并不是文字的形式，而是一串二进制数字，如“011001100110…”
人类只认识文字，可惜计算机只认0和1，双方都不能妥协，那就必须要有一个从文字到0、1的映射了。
从我们可以看到的文字到0、1的映射称为编码，反过来从0、1到文字叫解码。这个就是编码的含义。
因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特(bit)作为一个字节(byte)，所以，一个字节能表示的最大的整数就是255(二进制11111111=十进制255)，0 - 255被用来表示大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122。
Unicode编码定义了这个世界上几乎所有字符(就是你眼睛看的字符，比如ABC、汉字等)的数字表示，而且Unicode还兼容了很多老版本的编码规范，例如刚刚讲过的ASCII码。
我们国家的每一个人都对应唯一的一个身份证号，而Unicode也为每个字符发了一张身份证，这张“身份证”上有一串唯一的数字ID确定了这个字符。
这串数字在整个计算机的世界具有唯一性，Unicode给这串数字ID起了个名字叫［码点］。
这个“Unicode转换格式”是为了解决“码点”在计算机存储方式而设计的。
“码点”经过映射后得到的二进制串的转换格式单位称之为“码元”(Code Unit)。“码点”就是一串二进制数，“码元”就是切分这个二进制数的方法。
举个例子，如果有一个字符的码点二进制表示有n字节(n*8个二进制数)，其码元为8位(1个字节)，那么其拥有码元n个。
Unicode编码发展到今天扩展到了21位，为啥扩展到21位了呢？因为一开始老美只考虑自己那26个英文字母和数字，随着越来越多的国家的语言语言编码，Unicode不得继续扩展，目前21位已经足够使用。
UTF-32是最好理解的一个了。UTF-32也就是说它的码元是32位，每32位去读一下码点，而码点是Unicode给字符的编码，前面也说了，最长才21位，因此每一个UTF-32值都可以直接表示对应的码点。
什么是编码空间呢？前面说了Unicode,它是21位的。这21位提供了1,114,112个码点，编码空间就是对应这1,114,112个码点。
对了这里要说一下，这么多码点并不代表有这么多字符，目前大概只有10%的空间被使用了，人类社会还没创造出1,114,112这么多的字符。
编码空间被分成 17 个平面(plane)，每个平面有65,536个字符(正好填充2个字节，16位)。0号平面叫做“基本多文种平面”(BMP, Basic Multilingual Plane)，涵盖了几乎所有你能遇到的字符，除了 emoji(emoji位于1号平面--。其它平面叫做补充平面，大多是空的。
UTF-16要常见得多，它的码元是16位的，也就是说每16位去读一下码点，获取码点的前16位数字，直到读取完成。
编码空间这里要用上了哈，BMP平面(也就是前面说的基本多文种平面)中的每一个码点都直接与一个UTF-16的码元一一映射。
由于BMP几乎包括了所有常见字符，UTF-16一般需要UTF-32大约一半的空间。至于其它平面里很少使用的码点都是用两个16位的码元来编码的。
UTF-8使用一到四个字节来编码一个码点。从0到127的这些码点直接映射成1个字节(对于只包含这个范围字符的文本来说，这一点使得UTF-8和ASCII完全相同)。接下来的1,920个码点映射成2个字节，在BMP里所有剩下的码点需要3个字节。Unicode的其他平面里的码点则需要4个字节。UTF-8是基于8位的码元的，因此它并不需要关心字节顺序(因为字节就是8位的呀，其它UTF-16和UTF-32在不同的机器编译环境下需要考虑字节的顺序问题)。

                
  

字符集为每个字符分配了一个唯一的编号，通过这个编号就能找到对应的字符。在编程过程中我们经常会使用字符，而使用字符的前提就是把字符放入内存中，毫无疑问，放入内存中的仅仅是字符的编号，而不是真正的字符实体。

 

这就抛出了一个问题，如何才能将字符编号放入内存中呢？

 

对于 ASCII 字符集，这很容易。ASCII 总共包含 128 个字符，用 7 个比特位（Bit）恰好能够存储，不过考虑到计算机一般把字节（Byte）作为基本单元，为了操作方便，我们不妨用一个字节（也就是 8 个比特位）来存储 ASCII。这样虽然浪费了一个比特位，但是读写效率提高了。

 

但是对于 Unicode，问题就没有这么简单了。Unicode 目前已经包含了上百万的字符，位置靠前的字符用一个字节就能存储，位置靠后的字符用三个字节才能存储。我们可以为所有字符都分配三个字节的内存，也可以为编号小的字符分配一个字节或者两个字节的内存，而为编号大的字符分配三个字节的内存。

 

这两种方案各有优缺点，请读者看下面的分析。

字符集和字符编码不是一个概念，字符集定义了文字和二进制的对应关系，为字符分配了唯一的编号，而字符编码规定了如何将文字的编号存储到内存中。有的字符集在制定时就考虑到了编码的问题，是和编码结合在一起的；有的字符集只管制定字符的编号，至于怎么编码，是其他人的事情。

方案1：为每个字符分配固定长度的内存

一种方案是为每个字符分配固定长度的内存，并且这块内存要足够大，可以容纳下所有的字符编号。这种方案最简单，直接将字符编号放入内存中即可，不需要任何转换，并且以后在字符串中定位字符、修改字符都非常容易。

字符串就是一串连续的字符序列，它们在内存中按次序挨着存放。在C语言中，字符串由双引号" "包围起来。

目前的 Unicode 已经收录了上百万的字符，至少需要三个字节才能容纳下所有的字符编号。假设字符串"A3中￥"的 Unicode 编码值（十六进制形式）分别是 2A、31、DA49、BB672C，那么它们在内存中的存储形式为：



 

在几乎所有的字符集中，常用字符的编号往往比较小，罕见字符的编号往往比较大，包括 Unicode 在内。

 

A和3是 ASCII 编码中的字符，Unicode 为了兼容 ASCII，在设计时刻意保留了原来 ASCII 中字符的编号，所以英文字母和阿拉伯数字在 Unicode 中的编号都非常小，用一个字节足以容纳。中是一个汉字，编号比较大，一般要用两个字节才能容纳。￥可以看做是一个极其少见，或者只有极少数地区才会使用到的字符，这样的字符编号往往比较大，有时候需要三个字节才能容纳。

￥是人民币符号，是汉字文化的一部分，它和其它汉字一样，实际上是用两个字节存储的，不过这里我们为了演示，故意犯错地说它需要三个字节。

上图中带灰色背景的字节是没有用到的字节，它们就是被浪费掉的一部分内存空间，这就是用固定长度的内存来存储字符编号的缺点：常用字符的编号都比较小，这种方案会浪费很多内存空间，对于以英文为主的国家，比如美国、加拿大、英国等，内存利用率甚至会低于 50%。

方案2：为每个字符分配尽量少的内存

既然上面的方案有缺点，那我们就来改进一下。改进的思路也很明确，就是把空闲的内存压缩掉，为每个字符分配尽量少的字节，例如，A和3分配一个字节足以，中分配两个字节足以，如下图所示：



这样虽然没有了空闲字节，不浪费任何内存空间了，但是又出现新的问题了：如果我不告诉你，你怎么知道2A表示一个字符，而不是2A31或者2A31DA才表示一个字符呢？后面的字符也有类似的问题。

 

对于第一种方案，每个字符占用的字节数是固定的，很容易区分各个字符；而这种方案，不同的字符占用的字节数不同，字符之间也没有特殊的标记，计算机是无法定位字符的。

 

这种方案还需要改进，必须让不同的字符编码有不同的特征，并且字符处理程序也需要调整，要根据这些特征去识别不同的字符。

 

要想让不同的字符编码有不同的特征，可以从两个方面下手：

1) 一是从字符集本身下手，在设计字符集时，刻意让不同的字符编号有不同的特征。

 

例如，对于编号较小的、用一个字节足以容纳的字符，我们就可以规定这个字符编号的最高位（Bit）必须是 0；对于编号较大的、要用两个字节存储的字符，我们就可以规定这个字符编号的高字节的最高位必须是 1，低字节的最高位必须是 0；对于编号更大的、需要三个字节存储的字符，我们就可以规定这个字符编号的所有字节的最高位都必须是 1。

 

程序在定位字符时，从前往后依次扫描，如果发现当前字节的最高位是 0，那么就把这一个字节作为一个字符编号。如果发现当前字节的最高位是 1，那么就继续往后扫描，如果后续字节的最高位是 0，那么就把这两个字节作为一个字符编号；如果后续字节的最高位是 1，那么就把挨着的三个字节作为一个字符编号。

 

这种方案的缺点很明显，它会导致字符集不连续，中间留出大量空白区域，这些空白区域不能定义任何字符。

 

2) 二是从字符编号下手，可以设计一种转换方案，字符编号在存储之前先转换为有特征的、容易定位的编号，读取时再按照相反的过程转换成字符本来的编号。

 

那么，转换后的编号要具备什么样的特征呢？其实也可以像上面一样，根据字节的最高位是 0 还是 1 来判断字符到底占用了几个字节。

 

相比第一种方案，这种方案有缺点也有优点：

 

缺点就是多了转换过程，字符在存储和读取时要经过转换，效率低；
	
优点就是在制定字符集时不用考虑存储的问题，可以任意排布字符。
 

Unicode 到底使用哪种编码方案

Unicode 是一个独立的字符集，它并不是和编码绑定的，你可以采用第一种方案，为每个字符分配固定长度的内存，也可以采用第二种方案，为每个字符分配尽量少的内存。

 

需要注意的是，Unicode 只是一个字符集，在制定的时候并没有考虑编码的问题，所以采用第二种方案时，就不能从字符集本身下手了，只能从字符编号下手，这样在存储和读取时都要进行适当的转换。

 

Unicode 可以使用的编码有三种，分别是：

UFT-8：一种变长的编码方案，使用 1~6 个字节来存储；
	
UFT-32：一种固定长度的编码方案，不管字符编号大小，始终使用 4 个字节来存储；
	
UTF-16：介于 UTF-8 和 UTF-32 之间，使用 2 个或者 4 个字节来存储，长度既固定又可变。
 

UTF 是 Unicode Transformation Format 的缩写，意思是“Unicode转换格式”，后面的数字表明至少使用多少个比特位（Bit）来存储字符。

1) UTF-8

UTF-8 的编码规则很简单：如果只有一个字节，那么最高的比特位为 0；如果有多个字节，那么第一个字节从最高位开始，连续有几个比特位的值为 1，就使用几个字节编码，剩下的字节均以 10 开头。

 

具体的表现形式为：

0xxxxxxx：单字节编码形式，这和 ASCII 编码完全一样，因此 UTF-8 是兼容 ASCII 的；
	
110xxxxx 10xxxxxx：双字节编码形式；
	
1110xxxx 10xxxxxx 10xxxxxx：三字节编码形式；
	
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx：四字节编码形式。
 

xxx 就用来存储 Unicode 中的字符编号。

 

下面是一些字符的编码实例（绿色部分表示本来的 Unicode 编号）：

 

字符
			
N
			
æ
			
⻬
		
Unicode 编号（二进制）
			
01001110
			
11100110
			
00101110 11101100
		
Unicode 编号（十六进制）
			
4E
			
E6
			
2E EC
		
UTF-8 编码（二进制）
			
01001110
			
11000011 10100110
			
11100010 10111011 10101100
		
UTF-8 编码（十六进制）
			
4E
			
C3 A6
			
E2 BB AC
		
对于常用的字符，它的 Unicode 编号范围是 0 ~ FFFF，用 1~3 个字节足以存储，只有及其罕见，或者只有少数地区使用的字符才需要 4~6个字节存储。

2) UTF-32

UTF-32 是固定长度的编码，始终占用 4 个字节，足以容纳所有的 Unicode 字符，所以直接存储 Unicode 编号即可，不需要任何编码转换。浪费了空间，提高了效率。

3) UTF-16

UFT-16 比较奇葩，它使用 2 个或者 4 个字节来存储。

 

对于 Unicode 编号范围在 0 ~ FFFF 之间的字符，UTF-16 使用两个字节存储，并且直接存储 Unicode 编号，不用进行编码转换，这跟 UTF-32 非常类似。

 

对于 Unicode 编号范围在 10000~10FFFF 之间的字符，UTF-16 使用四个字节存储，具体来说就是：将字符编号的所有比特位分成两部分，较高的一些比特位用一个值介于 D800~DBFF 之间的双字节存储，较低的一些比特位（剩下的比特位）用一个值介于 DC00~DFFF 之间的双字节存储。

 

如果你不理解什么意思，请看下面的表格：

 

Unicode 编号范围

			（十六进制）
			
具体的 Unicode 编号

			（二进制）
			
UTF-16 编码
			
编码后的

			字节数
		
0000 0000 ~ 0000 FFFF
			
xxxxxxxx xxxxxxxx
			
xxxxxxxx xxxxxxxx
			
2
		
0001 0000---0010 FFFF
			
yyyy yyyy yyxx xxxx xxxx
			
110110yy yyyyyyyy 110111xx xxxxxxxx
			
4
		
 

位于 D800~0xDFFF 之间的 Unicode 编码是特别为四字节的 UTF-16 编码预留的，所以不应该在这个范围内指定任何字符。如果你真的去查看 Unicode 字符集，会发现这个区间内确实没有收录任何字符。

 

 

UTF-16 要求在制定 Unicode 字符集时必须考虑到编码问题，所以真正的 Unicode 字符集也不是随意编排字符的。

总结

只有 UTF-8 兼容 ASCII，UTF-32 和 UTF-16 都不兼容 ASCII，因为它们没有单字节编码。

 

如果你希望查看完整的 Unicode 字符集，以及各种编码方式，请猛击：https://unicode-table.com/cn/

虽然这个网站有时候无法访问，但它是最好的一个查看 Unicode 字符集的网站。

GB2312、Shift-JIS 等国家（地区）字符集怎么编码

GB2312、GBK、Shift-JIS 等特定国家的字符集都是在 ASCII 的基础上发展起来的，它们都兼容 ASCII，所以只能采用变长的编码方案：用一个字节存储 ASCII 字符，用多个字节存储本国字符。

 

以 GB2312 为例，该字符集收录的字符较少，所以使用 1~2 个字节编码。

对于 ASCII 字符，使用一个字节存储，并且该字节的最高位是 0；
	
对于中国的字符，使用两个字节存储，并且规定每个字节的最高位都是 1。
 

 

由于单字节和双字节的最高位不一样，所以很容易区分一个字符到底用了几个字节。

宽字符和窄字符（多字节字符）

有的编码方式采用 1~n 个字节存储，是变长的，例如 UTF-8、GB2312、GBK 等；如果一个字符使用了这种编码方式，我们就将它称为多字节字符，或者窄字符。

 

有的编码方式是固定长度的，不管字符编号大小，始终采用 n 个字节存储，例如 UTF-32、UTF-16 等；如果一个字符使用了这种编码方式，我们就将它称为宽字符。

 

Unicode 字符集可以使用窄字符的方式存储，也可以使用宽字符的方式存储；GB2312、GBK、Shift-JIS 等国家编码一般都使用窄字符的方式存储；ASCII 只有一个字节，无所谓窄字符和宽字符。