问Python Unicode字符串替换: u、r或不替换

EN

第一个是最好的。后两个选项必须隐式地将它们的字节字符串转换为Unicode，以便对Unicode内容字符串进行替换。否则，使用所提供的字符串，结果恰好是相同的。如果替换字符串包含非ASCII字符，则后两个字符串上将有一个UnicodeDecodeError，因为在Python2.x上转换的默认编解码器是ascii。

还要注意速度的差异：

C:\>python -m timeit -s "content=u'<p>blah<br/>blah</p>'" "content.replace(u'<p>',u'<div>').replace(u'</p>',u'</div>').replace(u'<br/>',u'')"
1000000 loops, best of 3: 1.09 usec per loop

C:\>python -m timeit -s "content=u'<p>blah<br/>blah</p>'" "content.replace('<p>','<div>').replace('</p>','</div>').replace('<br/>','')"
1000000 loops, best of 3: 1.76 usec per loop

C:\>python -m timeit -s "content=u'<p>blah<br/>blah</p>'" "content.replace(r'<p>',r'<div>').replace(r'</p>',r'</div>').replace(r'<br/>',r'')"
1000000 loops, best of 3: 1.75 usec per loop

在这种情况下，没有区别，因为这些字符串是纯ASCII。所以u"<div>“和r"<div>”和"<div>“是一样的--它是五个字节，< d i v >。

UTF8将ASCII字符(低于0x80)编码为...0x80以下的相同ASCII字符。因此，ASCII码中的'd‘是按字节0x64编码的，它的UTF8代码也是0x64。除非没有国际字符(或者更好的是，不在00..7F十六进制范围之外的字符)，否则没有区别。

只要使用一个nonASCII字符，这种差异就会显现出来。例如，在意大利语中，'Pero‘是四个字符，编码为四个字节P-e-r-o，而’Peró‘是四个字符，我认为编码为五个字节(或者是六个？)、P-e-r-0x80-0xF2或类似的东西。

有人可能会争辩(我确实是这样认为的)，应该始终使用'u‘前缀:如果不需要它，没有区别，如果需要它，它将保存您的数据( UTF8编码背后的理由正是为了促进这种类型的向后兼容性:请参阅http://en.wikipedia.org/wiki/UTF-8 )。