`

各种编码的关系与区别

    博客分类:
  • java
 
阅读更多

1. ASCII码 

我们知道,在计算机内部,所有的信息最终都表示为一个二进制的字符串。每一个二进制位(bit)有0和1两种状态,因此八个二进制位就可以组合出256种状态,这被称为一个字节(byte)。也就是说,一个字节一共可以用来表示256种不同的状态,每一个状态对应一个符号,就是256个符号,从0000000到11111111。 

上个世纪60年代,美国制定了一套字符编码,对英语字符与二进制位之间的关系,做了统一规定。这被称为ASCII码,一直沿用至今。 

ASCII码一共规定了128个字符的编码,比如空格“SPACE”是32(二进制00100000),大写的字母A是65(二进制01000001)。这128个符号(包括32个不能打印出来的控制符号),只占用了一个字节的后面7位,最前面的1位统一规定为0。 

2、非ASCII编码 

英语用128个符号编码就够了,但是用来表示其他语言,128个符号是不够的。比如,在法语中,字母上方有注音符号,它就无法用ASCII码表示。于是,一些欧洲国家就决定,利用字节中闲置的最高位编入新的符号。比如,法语中的é的编码为130(二进制10000010)。这样一来,这些欧洲国家使用的编码体系,可以表示最多256个符号。 

但是,这里又出现了新的问题。不同的国家有不同的字母,因此,哪怕它们都使用256个符号的编码方式,代表的字母却不一样。比如,130在法语编码中代表了é,在希伯来语编码中却代表了字母Gimel (ג),在俄语编码中又会代表另一个符号。但是不管怎样,所有这些编码方式中,0—127表示的符号是一样的,不一样的只是128—255的这一段。 

至于亚洲国家的文字,使用的符号就更多了,汉字就多达10万左右。一个字节只能表示256种符号,肯定是不够的,就必须使用多个字节表达一个符号。比如,简体中文常见的编码方式是GB2312,使用两个字节表示一个汉字,所以理论上最多可以表示256x256=65536个符号。 

中文编码的问题需要专文讨论,这篇笔记不涉及。这里只指出,虽然都是用多个字节表示一个符号,但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。 

3.Unicode 

正如上一节所说,世界上存在着多种编码方式,同一个二进制数字可以被解释成不同的符号。因此,要想打开一个文本文件,就必须知道它的编码方式,否则用错误的编码方式解读,就会出现乱码。为什么电子邮件常常出现乱码?就是因为发信人和收信人使用的编码方式不一样。 

可以想象,如果有一种编码,将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码,那么乱码问题就会消失。这就是Unicode,就像它的名字都表示的,这是一种所有符号的编码。 

Unicode当然是一个很大的集合,现在的规模可以容纳100多万个符号。每个符号的编码都不一样,比如,U+0639表示阿拉伯字母Ain,U+0041表示英语的大写字母A,U+4E25表示汉字“严”。具体的符号对应表,可以查询unicode.org,或者专门的汉字对应表。 

4. Unicode的问题 

需要注意的是,Unicode只是一个符号集,它只规定了符号的二进制代码,却没有规定这个二进制代码应该如何存储。 

比如,汉字“严”的unicode是十六进制数4E25,转换成二进制数足足有15位(100111000100101),也就是说这个符号的表示至少需要2个字节。表示其他更大的符号,可能需要3个字节或者4个字节,甚至更多。 

这里就有两个严重的问题,第一个问题是,如何才能区别unicode和ascii?计算机怎么知道三个字节表示一个符号,而不是分别表示三个符号呢?第二个问题是,我们已经知道,英文字母只用一个字节表示就够了,如果unicode统一规定,每个符号用三个或四个字节表示,那么每个英文字母前都必然有二到三个字节是0,这对于存储来说是极大的浪费,文本文件的大小会因此大出二三倍,这是无法接受的。 

它们造成的结果是:1)出现了unicode的多种存储方式,也就是说有许多种不同的二进制格式,可以用来表示unicode。2)unicode在很长一段时间内无法推广,直到互联网的出现。 

5.UTF-8 

互联网的普及,强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32,不过在互联网上基本不用。重复一遍,这里的关系是,UTF-8是Unicode的实现方式之一。 

UTF-8最大的一个特点,就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号,根据不同的符号而变化字节长度。 

UTF-8的编码规则很简单,只有二条: 

1)对于单字节的符号,字节的第一位设为0,后面7位为这个符号的unicode码。因此对于英语字母,UTF-8编码和ASCII码是相同的。 

2)对于n字节的符号(n>1),第一个字节的前n位都设为1,第n+1位设为0,后面字节的前两位一律设为10。剩下的没有提及的二进制位,全部为这个符号的unicode码。 

下表总结了编码规则,字母x表示可用编码的位。 

Unicode符号范围 | UTF-8编码方式 
(十六进制) | (二进制) 
--------------------+--------------------------------------------- 
0000 0000-0000 007F | 0xxxxxxx 
0000 0080-0000 07FF | 110xxxxx 10xxxxxx 
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx 
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 

下面,还是以汉字“严”为例,演示如何实现UTF-8编码。 

已知“严”的unicode是4E25(100111000100101),根据上表,可以发现4E25处在第三行的范围内(0000 0800-0000 FFFF),因此“严”的UTF-8编码需要三个字节,即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后,从“严”的最后一个二进制位开始,依次从后向前填入格式中的x,多出的位补0。这样就得到了,“严”的UTF-8编码是“11100100 10111000 10100101”,转换成十六进制就是E4B8A5。 

6. Unicode与UTF-8之间的转换 

通过上一节的例子,可以看到“严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是不一样的。它们之间的转换可以通过程序实现。 

在Windows平台下,有一个最简单的转化方法,就是使用内置的记事本小程序Notepad.exe。打开文件后,点击“文件”菜单中的“另存为”命令,会跳出一个对话框,在最底部有一个“编码”的下拉条。 

分享到:
评论

相关推荐

    波束赋型(波束成形)与预编码的详细区别描述

    在多天线系统设计中,各种预编码技术如迫零预编码(Zero-Forcing)、最小均方误差预编码(MMSE)、维纳滤波(Wiener Filter)等也会被考虑。迫零预编码是通过消除多径干扰来提供无干扰的信号接收,最小均方误差预...

    AE(自动编码器)与VAE(变分自动编码器)的区别和联系?

    理解它们之间的区别与联系有助于更好地选择适合特定问题的模型。对于那些希望从数据中学习有用特征或者生成新样本的任务而言,VAE可能是更优的选择;而对于仅仅需要高效地重构输入数据的情况,AE则可能更为适用。

    UTF-8 Unicode GBK GB2312 编码之间的区别和联系

    本文将详细介绍UTF-8、Unicode、GBK以及GB2312这几种常见的字符编码方式,并探讨它们之间的区别与联系。 #### 二、基础知识 在深入讨论之前,我们需要先理解几个基本概念: 1. **字符编码**:是一种系统化的规则...

    几种常见的编码方式_编码_python_

    这里我们将详细探讨几种常见的编码方式:标签编码、独热编码和二值化。 1. **标签编码**: 标签编码是一种将分类数据转换为连续整数的方法。它将每个类别赋予一个唯一的整数标签,例如,'A' -> 1, 'B' -> 2, 'C' -...

    编码理论-介绍了信道编码和信源编码等

    极化码作为一种新型信道编码方案,已被正式纳入5G标准中,为各种高标准通信场景提供了强有力的技术支持。 总而言之,编码理论是信息科学技术的基石,它不仅覆盖了信源编码和信道编码,还延伸到通信安全等多个领域。...

    信息论与编码.zip

    第二章可能涉及无损编码和有损编码的区别。无损编码如哈夫曼编码(Huffman Coding)和游程编码(Run-Length Encoding),能完全恢复原始信息;有损编码如JPEG图像压缩,牺牲一定的质量来实现更高的压缩率。此外,还...

    ASCII、Unicode、GBK和UTF-8字符编码的区别联系

    ASCII、Unicode、GBK和UTF-8字符编码的区别联系

    信息论与编码(陈运)习题答案

    第3章可能讲解无损编码和有损编码的区别,如霍夫曼编码(Huffman Coding)用于实现数据的高效压缩。 3. **信道容量**:香农定理阐述了在给定信道条件下,最大无错误传输速率,即信道容量。第4章可能会深入探讨信道...

    ICD-9手术编码临床3.0版和医保2.0版映射关系.xlsx

    ICD-9手术编码临床3.0版13653条记录,有医保不可使用00码标识

    信道编码基本原理与差错控制方法

    ### 信道编码基本原理与差错控制方法详解 #### 一、信道编码与差错控制概述 信道编码是一种在数据传输过程中增加额外信息的技术,旨在提高数据传输的可靠性,通过添加冗余信息(多余比特),使接收端能够检测并...

    M序列产生与卷积编码译码的设计实验

    **MATLAB实现M序列生成与卷积编码解码实验详解** M序列,也称为最大长度序列,是通信领域中常用的一种伪随机噪声序列,广泛应用于同步、加密、信道编码等多个方面。M序列具有良好的自相关性和互相关性,使得它们在...

    信息论与编码复习大纲

    1. **主要概念的区别与联系**: 在第一章,学生需要理解和区分诸如"信息"、"熵"、"不确定性"、"消息"等基本概念。信息是关于事件不确定性的度量,而熵则是衡量一个信源发出的信息量的平均值。理解这些概念的关系...

    实验二 编码器与七段译码器只抓住.pdf

    优先编码器与普通编码器的主要区别在于其输入信号的优先级。当存在多个高电平输入时,优先编码器总是对具有最高优先级的信号进行编码。在真值表中,具有最高优先级的信号位于主对角线上。优先编码器的Verilog HDL...

    算数编码引擎demo

    本文将深入探讨算数编码的基本原理、工作流程,并将其与视频编码中的上下文自适应二进制算术编码(CABAC)算法联系起来。 一、算数编码基础 1. 原理:算数编码通过改变概率模型中的概率分布来实现数据压缩。它不像...

    软件设计与编码.pdf

    软件设计是软件生命周期中的关键环节,它不仅直接关系到软件产品的质量和功能,还是连接需求分析与编码实现的重要桥梁。良好的设计能够确保软件在满足用户需求的同时,具备较高的可靠性和可维护性。 **1.2 软件设计...

    gb2312_unicode_utf8汉字编码对照表

    通过对gb2312、Unicode与UTF-8编码对照表的分析,我们可以了解到这三种编码方式之间的联系与区别。gb2312作为早期的汉字编码标准,虽然简单但覆盖范围有限;Unicode则提供了一个更为广泛的字符集,支持全球多种语言...

    信息论与编码期末考试题.doc

    信息论与编码期末考试题.doc 本资源摘要信息涵盖了信息论与编码的基础知识点,包括信息论的基本概念、熵、条件熵、信息量、信道容量、香农-费诺编码、哈夫曼编码、线性分组码等。 一、判断题 1. 当随机变量和相互...

    EC16-YJ 编码器 使用时序图

    - **A、B通道相位差**:编码器的A、B两个通道输出信号具有90度的相位差,这使得当编码器旋转时,A、B通道的信号会交替变化,通过检测这两个信号的相位关系可以确定编码器的旋转方向。 - **C、D通道辅助功能**:除了...

Global site tag (gtag.js) - Google Analytics