как перевести букву в двоичный код ascii python

Python | Преобразовать строку в двоичный

Преобразование данных всегда широко использовалось утилитой и одним из них может быть преобразование строки в ее двоичный эквивалент. Давайте обсудим некоторые способы, которыми это может быть сделано.

Способ № 1: Использование join() + ord() + format()
Комбинация вышеупомянутых функций может использоваться для выполнения этой конкретной задачи. Функция ord преобразует символ в его ASCII-эквивалент, формат преобразует его в двоичное число, а join используется для объединения каждого преобразованного символа в строку.

# Python3 код для демонстрации работы
# Преобразование строки в двоичный файл
# Использование join () + ord () + format ()

# печать оригинальной строки

print ( «The original string is : » + str (test_str))

# используя join () + ord () + format ()
# Преобразование строки в двоичный файл

res = ‘ ‘.join(format(ord(i), ‘ b’) for i in test_str)

print ( «The string after binary conversion : » + str (res))

Способ № 2: Использование join() + bytearray() + format()
Этот метод почти аналогичен вышеуказанной функции. Разница здесь в том, что вместо преобразования символа в его ASCII с использованием функции ord, преобразование сразу строки выполняется функцией bytearray.

# Python3 код для демонстрации работы
# Преобразование строки в двоичный файл
# Использование join () + bytearray () + format ()

# печать оригинальной строки

print ( «The original string is : » + str (test_str))

# используя join () + bytearray () + format ()
# Преобразование строки в двоичный файл

print ( «The string after binary conversion : » + str (res))

Источник

binascii — преобразования между двоичной и ASCII¶

Изменено в версии 3.3: Функции a2b_* принимают только ASCII юникод строки.

Модуль binascii определяет следующие функции:

binascii. a2b_uu ( string ) ¶

Преобразовывает одну строку uu-закодированых данных обратно в двоичные, возвращая двоичные данные. Строки, как правило, содержат 45 (двоичных) байт, за исключением последней строки. Данные строки могут быть пробелами.

Преобразование двоичных данных в строку символов ASCII, возвращаемое значение является преобразованной строкой, включая символ новой строки типа char. Длина data должна быть не более 45. Если backtick True, нули представлены ‘`’ вместо пробелов.

Изменено в версии 3.7: Добавлен параметр backtick.

Преобразование блока данных в base64 обратно в двоичную и возвращая двоичных данных. Могут одновременно передаваться больше чем одна строка.

binascii. b2a_base64 ( data, *, newline=True ) ¶

Преобразования двоичных данных в строку символов ASCII кодированных в base64. Возвращаемое значение является преобразованной строкой, включая символ новой строки, если newline True. Выход этой функции соответствует RFC 3548.

Изменено в версии 3.6: Добавлен параметр newline.

Преобразовать блок quoted-printable данных обратно в двоичные, возвращая двоичные данные. Одновременно может передаваться более чем одна строка. Если необязательный аргумент header присутствует и True, подчеркивания будут декодировано как пробелы.

binascii. b2a_qp ( data, quotetabs=False, istext=True, header=False ) ¶

binascii. a2b_hqx ( string ) ¶

Конвертировать binhex4 данные в формате ASCII в двоичные, без RLE-декомпрессии. В строке должны содержаться достаточное число двоичных байт, или (в случае последней порции данных binhex4) содержат оставшиеся биты нулевыми.

binascii. rledecode_hqx ( data ) ¶

Изменено в версии 3.2: Принимаются только bytestring или объекты bytearray в качестве входных данных.

Проанализировать стиль binhex4 метода RLE-сжатия на data и возвратить результат.

binascii. b2a_hqx ( data ) ¶

Выполнение hexbin4 двоичного-в-ASCII перевода и возвращая в результате строку. Аргумент должен быть RLE-закодированным и иметь длину кратную 3 (за исключением, возможно, последнего фрагмента).

binascii. crc_hqx ( data, value ) ¶

Вычисление 16-битной контрольной суммы CRC значение data, начиная с value в качестве начального CRC и возвращая результат. При этом используется CRC-CCITT полином x 16 + x 12 + x 5 + 1, часто представляемый, как 0x1021. CRC используется в формате binhex4.

Вычисления CRC-32, 32-разрядная контрольная сумма data, начиная с начальной CRC value. По умолчанию начальная CRC равена нулю. Алгоритм согласуется с контрольной суммой zip файла. Поскольку этот алгоритм предназначен для использования в качестве алгоритма контрольной суммы, он не подходит для использования в качестве общего алгоритма хеширования. Используется следующим образом:

Возвращает шестнадцатеричное представление двоичных data. Каждый байт data превращаются в соответствующие 2-значное hex представление. Объект возвращает байты, поэтому в два раза длиннее длины data.

Если указано sep, он должен быть единственным символом или объектом в байтах. Он будет вставлен в выходной после каждого bytes_per_sep входных байтов. Размещение сепаратора отсчитывается от правой части вывода по умолчанию, если вы хотите считать от левой, поставить отрицательное значение bytes_per_sep.

Изменено в версии 3.8: Были добавлены sep и параметров bytes_per_sep.

exception binascii. Error ¶

Исключение возникает на ошибки. Как правило, эти ошибки программирования.

exception binascii. Incomplete ¶

Поднятие исключения на неполные данные. Они, как правило, не ошибки программирования, но может быть обработаны, прочитав немного больше данных и повторив попытку.

Модуль base64 Поддержка соответствии с RFC в base64-стиль кодирования с основанием 16, 32, 64 и 85. Модуль binhex Поддержка формата binhex используемый Macintosh. Модуль uu Поддержки UU кодирование используемый Unix. Модуль quopri Поддержка кодировки quoted-printable, используемой в сообщениях электронной почты MIME.

Источник

Исчерпывающее руководство по Юникоду и кодировке символов в Python

Вводная часть статьи даст общее понимание работы с Юникодом, не привязанное к какому-то определённому языку, однако практические примеры будут приведены именно на Python, а их описание будет довольно лаконичным.

Изучив эту статью, вы:

Система нумерации и кодировка символов настолько тесно связаны, что их придётся раскрыть в одном руководстве, в противном случае материал будет неполным.

Прим. Статья ориентирована на Python 3, а все примеры кода созданы с помощью оболочки CPython 3.7.2. Большая часть более ранних версий Python 3 также будут корректно обрабатывать код. Если вы всё ещё используете Python 2 и различия в обработке текста и бинарных данных между 2 и 3 версиями языка вас отпугивают, это руководство может помочь вам преодолеть барьер.

Что такое кодировка символов?

Существуют десятки, если не сотни, кодировок символов. Понять эту концепцию легче всего, разобрав одну из самых простых, ASCII.

Она охватывает следующее:

Приведём формальное определение кодировки символов.

На самом высоком уровне — это способ перевода символов (таких как буквы, знаки пунктуации, служебные знаки, пробелы и контрольные символы) в целые числа и затем непосредственно в биты. Каждый символ может быть закодирован уникальным двоичным кодом. Если вы плохо знакомы с концепцией битов, не волнуйтесь, мы вскоре о ней поговорим.

Группы символов выделяют в отдельные категории. Каждому символу соответствует кодовая точка, которую можно рассматривать просто как целое число. В таблице ASCII символы сегментированы следующим образом:

Диапазон кодовых точек	Класс
от 0 до 31	Контрольные и неотображаемые символы
от 32 до 64	Знаки пунктуации, символы, числа и пробел
от 65 до 90	Буквы английского алфавита в верхнем регистре
от 91 до 96	Дополнительные графемы, такие как [ и \
от 97 до 122	Буквы английского алфавита в нижнем регистре
от 123 до 126	Дополнительные графемы, такие как < и |
127	Контрольный неотображаемый символ ( DEL )

Всего кодировка ASCII содержит 128 символов. В таблице ниже вы видите исчерпывающий набор знаков, которые позволяет отобразить эта кодировка. Если вы не видите какого-то символа, значит вы просто не сможете его вывести с помощью ASCII.

Кодовая точка	Символ (имя)	Кодовая точка	Символ (имя)
0	NUL (Null)	64	@
1	SOH (Start of Heading)	65	A
2	STX (Start of Text)	66	B
3	ETX (End of Text)	67	C
4	EOT (End of Transmission)	68	D
5	ENQ (Enquiry)	69	E
6	ACK (Acknowledgment)	70	F
7	BEL (Bell)	71	G
8	BS (Backspace)	72	H
9	HT (Horizontal Tab)	73	I
10	LF (Line Feed)	74	J
11	VT (Vertical Tab)	75	K
12	FF (Form Feed)	76	L
13	CR (Carriage Return)	77	M
14	SO (Shift Out)	78	N
15	SI (Shift In)	79	O
16	DLE (Data Link Escape)	80	P
17	DC1 (Device Control 1)	81	Q
18	DC2 (Device Control 2)	82	R
19	DC3 (Device Control 3)	83	S
20	DC4 (Device Control 4)	84	T
21	NAK (Negative Acknowledgment)	85	U
22	SYN (Synchronous Idle)	86	V
23	ETB (End of Transmission Block)	87	W
24	CAN (Cancel)	88	X
25	EM (End of Medium)	89	Y
26	SUB (Substitute)	90	Z
27	ESC (Escape)	91	[
28	FS (File Separator)	92	\
29	GS (Group Separator)	93	]
30	RS (Record Separator)	94	^
31	US (Unit Separator)	95	_
32	SP (Space)	96	`
33	!	97	a
34	«	98	b
35	#	99	c
36	$	100	d
37	%	101	e
38	&	102	f
39	‘	103	g
40	(	104	h
41	)	105	i
42	*	106	j
43	+	107	k
44	,	108	l
45	—	109	m
46	.	110	n
47	/	111	o
48	0	112	p
49	1	113	q
50	2	114	r
51	3	115	s
52	4	116	t
53	5	117	u
54	6	118	v
55	7	119	w
56	8	120	x
57	9	121	y
58	:	122	z
59	;	123	<
60	124	|
61	=	125	>
62	>	126
63	?	127	DEL (delete)

Модуль string

Модуль string — простой и удобный инструмент, разграничивающий содержащиеся в ASCII символы по группам, разделяя их в строки-константы. Вот как выглядит основная часть модуля:

Мы можем использовать определённые в модуле константы для рутинных операций:

Что такое биты

Настало время вспомнить, что такое бит, базовая единица информации, которой оперируют вычислительные устройства.

Бит — это сигнал, который имеет два возможных состояния. Есть различные способы символического отображения этих состояний:

Таблица ASCII из предыдущего раздела использует то, что обычно назвали бы числами (от 0 до 127), однако для наших целей важно понимать, что это десятичные числа (с основанием 10).

Каждое из этих десятичных чисел можно выразить последовательностью бит (числом с основанием 2). Вот таблица соотношения двоичных и десятичных чисел:

Десятичное	Двоичное (кратко)	Двоичное (в байте)
0	0	00000000
1	1	00000001
2	10	00000010
3	11	00000011
4	100	00000100
5	101	00000101
6	110	00000110
7	111	00000111
8	1000	00001000
9	1001	00001001
10	1010	00001010

Обратите внимание, что при увеличении десятичного числа n для его отображения (а следовательно и для отображения символа, относящегося к этому числу) требуется всё больше значимых бит.

Вот удобный метод представить строки ASCII как последовательность бит. Каждый символ из строки ASCII переводится в последовательность из 8 нолей и единиц с пробелами между этими последовательностями:

Строковой литерал f-string f»» использует мини-язык форматирования Format Specification Mini-Language, а именно его возможность замещения полей при форматировании строк.

На самом деле этот метод можно использовать разве что для развлечения. Он выдаст ошибку для любого символа, не представленного в ASCII-таблице. Позже мы рассмотрим, как эта проблема решается в других кодировках.

Нам нужно больше бит

Исходя из определения бита, можно вывести следующую закономерность: при определённом количестве бит n с их помощью можно выразить 2 n разных значений.

Вот что это означает:

В качестве естественного вывода из приведённой выше формулы мы можем установить следующее: для того, чтобы вычислить количество бит, необходимых для выражения определённого числа разных значений, нам нужно найти n в уравнении 2 n =x, где переменная x известна.

Вот как можно это рассчитать:

Округление вверх в методе n_bits_required() требуется для расчёта значений, которые не являются чистой степенью двойки. К примеру, вам нужно сохранить набор из 110 различных символов. Для этого потребуется log(110) / log(2) == 6.781 бит, но поскольку бит для вычислительной техники является мельчайшей неделимой величиной, для отображения 110 различных значений нам понадобится 7 бит, при этом несколько значений останутся невостребованными.

Всё сказанное служит для обоснования одной идеи: ASCII, строго говоря, семибитная кодировка. Эта таблица содержит 128 кодовых точек, и, соответственно, символов, от 0 до 127 включительно. Это требует 7 бит:

Проблема заключается в том, что современные компьютеры не используют для хранения чего-либо семибитные последовательности. Основной единицей хранения информации современных вычислительных устройств являются восьмибитные последовательности, байты.

Прим. В этой статье под байтом подразумевается группа из 8 бит, как повелось с 60-х годов прошлого века. Если вам не по душе это новомодное название, можете называть их октетами.

То, что ASCII-таблица использует 7 бит из доступных 8, означает, что память вычислительного устройства, занятого строками символов ASCII, наполовину пуста. Для того, чтобы лучше понять, почему это происходит, вернитесь к приведённой выше таблице соответствия двоичных и десятичных чисел. Вы можете выразить числа 0 и 1 с помощью 1 бита, или вы можете использовать 8 бит, чтобы выразить их как 00000000 и 00000001 соответственно.

Прим. перев. Если быть точным, то пустой остаётся только одна восьмая часть памяти. Однако с помощью именно этого незадействованного бита можно было бы создать вдвое больше кодовых точек.

Вы можете выразить числа от 0 до 3 всего двумя битами, от 00 до 11, или использовать 8 бит, чтобы выразить их как 00000000, 00000001, 00000010 и 00000011. Самая большая кодовая точка ASCII, 127, требует только 7 значимых бит.

С учётом этого взгляните, как метод make_bitseq() преобразует строки ASCII в строки, состоящие из байт, где каждый символ требует один байт:

Неэффективное использование восьмибитной структуры памяти современных вычислительных устройств привело к появлению неструктурированного семейства конфликтующих кодировок, задействующих оставшуюся незанятой половину кодовых точек, доступных в одном байте.

Несмотря на попытку задействовать дополнительный бит, эти конфликтующие кодировки не могли отобразить все возможные символы, используемые человечеством в письменности.

Со временем появилась одна большая схема кодировки, которая объединила их. Однако, прежде чем мы до этого доберёмся, поговорим немного о краеугольных камнях схем кодировки символов — системах счисления.

Изучаем основы: другие системы счисления

В ASCII-таблице, как мы увидели, каждый символ соответствует числу от 0 до 127.

Этот диапазон чисел выражен в десятичной системе счисления. Именно эту систему используют для счёта люди, просто потому что на руках у нас по 10 пальцев.

Однако существуют и другие системы счисления, которые, в частности, широко используются в исходном коде CPython. Следует понимать, что действительное число не изменяется, а системы счисления просто по-разному его выражают.

Вопрос, какое число записано в строке «11» покажется странным, ведь для большинства очевидно, что это одиннадцать.

Однако в строке может быть представлено и другое число, в зависимости от системы счисления. Помимо десятичной, используются такие общепринятые альтернативы:

Что же мы подразумеваем, говоря что определённая система счисления имеет основу N?

Один из способов объяснения разных систем счисления заключается в том, чтобы представить, что у вас N пальцев.

Если же вам требуется более подробное объяснение систем счисления, обратитесь к книге Чарльза Петцольда «Код». В этой книге детально объясняются основы работы вычислительной техники.

Чаще в Python для обозначения того, что целое число представлено в системе счисления, отличной от десятичной, используют префиксы-литералы. Для каждой из трёх альтернативных систем существует свой литерал.

Тип литерала	Префикс	Пример
Нет	Нет	11
Binary literal	0b или 0B	0b11
Octal literal	0o или 0O	0o11
Hex literal	0x или 0X	0x11

Десятичные	Двоичные	Восмеричные	Шестнадцатеричные
0	0b0	0o0	0x0
1	0b1	0o1	0x1
2	0b10	0o2	0x2
3	0b11	0o3	0x3
4	0b100	0o4	0x4
5	0b101	0o5	0x5
6	0b110	0o6	0x6
7	0b111	0o7	0x7
8	0b1000	0o10	0x8
9	0b1001	0o11	0x9
10	0b1010	0o12	0xa
11	0b1011	0o13	0xb
12	0b1100	0o14	0xc
13	0b1101	0o15	0xd
14	0b1110	0o16	0xe
15	0b1111	0o17	0xf
16	0b10000	0o20	0x10
17	0b10001	0o21	0x11
18	0b10010	0o22	0x12
19	0b10011	0o23	0x13
20	0b10100	0o24	0x14

Кстати, вы можете сами убедиться, что подобные способы записи чисел очень часто используется в Стандартной Библиотеке Python. Найдите папку lib/python3.7/ в своей системе, перейдите в неё и введите команду:

Введение в Юникод

Как видите, проблема ASCII в том, что этой таблицы недостаточно для отображения знаков, символов и глифов, использующихся во всех языках и диалектах мира. Её недостаточно даже для английского языка.

Юникод служит тем же целям, что и ASCII, но содержит намного больший набор кодовых точек. В период времени между появлением ASCII и принятием Юникода использовалось ещё несколько различных кодировок, но рассматривать их подробно нет смысла, так как Юникод и одна из его схем, UTF-8, в настоящее время стали использоваться практически повсеместно.

Вы можете представить Юникод как расширенную версию ASCII-таблицы — с 1 114 112 возможными кодовыми точками, от 0 до 1 114 111. Это 17*(2 16 ) или 0x10ffff в шестнадцатеричном представлении. Фактически, ASCII является частью Юникода, так как первые 128 символов этих кодировок полностью совпадают.

Юникод содержит практически любой символ, который только можно представить, включая дополнительные непечатаемые. Например, кодовая точка 8207 соответствует отметке RTL, которая используется для смены направления письма. Она полезна в текстах, где абзацы на одном из европейских языков соседствуют с абзацами на арабских языках.

Прим. Кстати, если уж мы хотим быть совсем точны в деталях, то надо отметить ещё один факт. Исторически сложилось, что в Юникоде доступны только 1 111 998 кодовых точек.

Юникод и UTF-8

Довольно скоро стало понятно, что все необходимые символы невозможно вместить в таблицу, используя только один байт. Современные, более ёмкие кодировки требовали использования больших объёмов.

Ранее мы упоминали, что Юникод сам по себе не является кодировкой. И вот почему.

Юникод не содержит указаний по извлечению из текста бит, он работает только с кодовыми точками. В нём нет стандарта конверсии текста в двоичные данные и обратно.

Юникод является абстрактным стандартом кодировки. Для практического его применения чаще всего используют схему UTF-8. Стандарт Юникод (таблица соответствий символов кодовыми точкам) определяет несколько различных кодировок на основе единого набора символов.

Как и менее распространённые UTF-16 и UTF-32, UTF-8 — формат кодировки для отображения символов Юникода в двоичном виде, используя один или несколько байт на один символ. UTF-16 и UTF-32 мы обсудим чуть позже, но пока нам интересен UTF-8 как самый популярный формат.

Сначала требуется разобрать термины «‎‎кодирование»‎ и «‎декодирование»‎.

Кодирование и декодирование в Python 3

Тип данных str в Python 3 рассчитан на представление текста в удобном для чтения формате и может содержать любые символы Юникода.

Кодирование и декодирование — это процесс перехода данных из одной формы в другую.

Таким образом символ ñ требует два байта для бинарного представления с помощью UTF-8.

Python 3: всё на Юникоде

Python 3 полностью реализован на Юникоде, а точнее на UTF-8. Вот что это означает:

Мы делаем упор на эти моменты, чтобы вы вдруг не подумали, что кодировка UTF-8 является универсальной. Она действительно широко распространена, но вы вполне можете столкнуться и с другими вариантами. Не будет лишним предусмотреть это в коде.

Один байт, два байта, три байта, четыре…

Одна из важнейших особенностей UTF-8 состоит в том, что это кодировка с переменным размером.

Вспомните раздел, посвящённый ASCII. Любой символ в этой таблице требует максимум одного байта пространства. Это можно быстро проверить с помощью следующего генератора:

С UTF-8 дела обстоят по-другому. Символы Юникода могут занимать от одного до четырёх байт. Вот пример четырёхбайтного символа:

Это небольшая, но важная особенность метода len() :

Таблица ниже показывает, сколько байт занимают основные типы символов.

_{*Такие как английский, арабский, греческий, ирландский.
**Масса языков и символов, в основном китайский, японский и корейский с разделением по томам (а также ASCII и латиница).
***Дополнительные символы китайского, японского, корейского и вьетнамского, а также другие символы и эмоджи.}

Прим. У UTF-8 есть и другие технические особенности. Те, кто работает на Python, редко с ними сталкиваются, поэтому мы не будем раскрывать их в этой статье, но упомянем вкратце, чтобы сохранить полноту картины. Так, UTF-8 использует коды-префиксы, указывающие на количество байт в последовательности. Такой приём позволяет декодеру группировать байты в условиях кодировки с переменным размером. Количество байт в последовательности определяется первым её байтом. Другие технические подробности можно найти на странице Википедии, посвящённой UTF-8 или на официальном сайте.

Особенности UTF-16 и UTF-32

Рассмотрим альтернативные кодировки, UTF-16 и UTF-32. Различие между ними и UTF-8 в основном практическое. Продемонстрируем величину расхождения с помощью перевода туда и обратно:

В данном случае, когда мы кодируем четыре буквы греческого алфавита в двоичные данные с помощью UTF-8, а декодируем обратно в текст с использованием UTF-16, на выходе получается строка с совершенно другими символами (из корейского алфавита).

Так происходит, если для кодирования и декодирования применяют разные кодировки. Два варианта декодирования одного бинарного объекта могут вернуть текст даже на другом языке.

Таблица ниже демонстрирует количество байт, используемых в разных кодировках:

Кодировка	Байт на символ (включительно)	Варьируемая длина
UTF-8	От 1 до 4	Да
UTF-16	От 2 до 4	Да
UTF-32	4	Нет

Любопытный аспект семейства UTF: UTF-8 не всегда занимает меньше памяти, чем UTF-16. Хотя с точки зрения математики это выглядит маловероятным, однако это возможно:

Так получается из-за того, что кодовые точки в диапазоне от U+0800 до U+FFFF (от 2048 до 65535 в десятичной системе) в кодировке UTF-8 занимают три байта, а в UTF-16 только два.

Это не означает, что нужно работать с UTF-16, независимо от того, насколько часто вы работаете с символами в этом диапазоне. Один из самых важных поводов придерживаться UTF-8 — в мире кодировок лучше держаться вместе с большинством.

Кроме того, в 2019 году компьютерная память стоит дёшево, и экономия четырёх байт за счёт использования нестандартной кодировки вряд ли стоит усилий.

Прим. перев. Есть и более весомые причины использовать UTF-8. Среди них её обратная совместимость с ASCII, а также то, что это самосинхронизирующаяся кодировка.

Python и встроенные функции

Вы освоили самую сложную часть статьи. Теперь посмотрим, как всё изученное реализуется на Python.

В Python есть несколько встроенных функций, каким-либо образом относящихся к системам счисления и кодировке:

Логически их можно сгруппировать по назначению.

В таблице ниже эти функции разобраны более подробно:

Функция	Форма	Тип аргументов	Тип возвращаемых данных	Назначение
ascii()	ascii(obj)	Различный	str	Представление объекта символами ASCII. Не входящие в таблицу символы экранируются
bin()	bin(number)	number: int	str	Бинарное представление целого чиста с префиксом «0b»
bytes()	bytes(последовательность_целых_чисел)

bytes([i]) Различный bytes Приводит аргумент к двоичным данным, типу bytes chr() chr(i) i: int

i str Преобразует кодовую точку (целочисленное значение) в символ Юникода hex() hex(number) number: int str Шестнадцатеричное представление целого числа с префиксом «0x» int() int([x])

int(x, base=10) Различный int Приводит аргумент к типу int oct() oct(number) number: int str Восьмеричное представление целого числа с префиксом «0o» ord() ord(c) c: str

len(c) == 1 int Возвращает значение кодовой точки символа Юникода str() str(object=’‘)

str(b[, enc[, errors]]) Различный str Приводит аргумент к текстовому представлению, типу str

Дальше можно посмотреть полезные примеры использования этих функций.

Источник