编码与字符集

ASCII码

计算机内部，所有信息最终都表示为一个二进制的字符串。每个二进制位有0和1两种状态，因为8个二进制位可以组合出256中状态，称为一个字节(byte)。也就是说，一个字节一共可以用来表示256中不同的状态，每个状态对应一个符号，就是256个符号，从00000000到11111111。

 

上世界60年代，美国制订了一套字符编码，对英语字符与二进制位之间的关系，做了一个规定，称为ASCII码，一共规定了128个字符的编码，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，最前面的一位统一规定为0。

 

非ASCII编码

英语用128个符号编码就够了，但是其他语言，128个符号不够。一些欧洲国家使用了8位中为0的最高位，可以表示256个字符，但是，新的问题出现了，不同国家的字母不一样，比如130在法语编码中代表一个字母，而在希伯来语编码中代表了另外一个字母，在俄语编码中又代表另外一个符号，虽然大家都是用的256个符号的编码方式，但是不同的编号代表不同的字母。但是不管怎样，所有这些编码方式中，0-127表示的符号都是一样的，即是原来的ASCII码，不同的是128-255这一段。

 

至于亚洲国家的文字，是用的符号就更多了，汉字多达10万左右，一个字节只能表示256中，肯定不够，这时就必须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2个字节表示一个汉字，理论上最多可以表示256*256=65536个符号。

 

Unicode

世界上存在着多种编码方式，同一个二进制数字在不同的编码方式下，可以解释成不同的符号。因为，要打开一个文本文件，就必须知道他的编码方式，否则用错误的编码方式解读，就会出现乱码。

 

这时候Unicode出现了，他把世界上所有的符号都纳入其中，每个符号都给予了一个独一无二的编码，只要使用Unicode编写文件，用Unicode解读，就能完全消除乱码问题。

 

Unicode是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号有独一无二的编码，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”。

 

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。

 

像汉字编码等等这些非ASCII编码，不仅规定了哪个二进制数字对应哪个符号，而且明确了二进制数字如何存储，比如欧洲国家的256个符号，用一个字节存储。中文的简体中文编码如GB2312，用2个字节存储，可以最大表示65536个符号。而下面说的Unicode只是一个符号集，并不是编码，Unicode只是规定了哪个二进制数对应哪个符号，但是并没有规定这个二进制数如何存储。

 

比如汉字“严”的unicode二进制代码是4E25，转换成二进制数有15位，也就是说这个符号至少需要2个字节才能表示，其他更大的字符，可能需要3个或者4个字节来存储。

 

这就有问题，第一，如何区别unicode和ascii？计算机如何知道三个字节表示一个符号还是分别表示三个符号？第二，因为字母用一个字节就够了，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面必然有两到三个字节是0，对于存储来说是极大的浪费。

 

所以造成如下结果：第一，出现了unicode的多种存储方式，也就是说许多种不同的二进制格式，可以用来表示unicode。第二，unicode在很长一段时间内无法推广，知道互联网出现。

 

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就是互联网上使用最广的一种unicode实现方式。其他实现方式还有UTF-16和UTF-32，基本上不用。重复一遍，UTF-8只是Unicode的实现方式之一。

 

UTF-8最大的一个特点，就是他是一种编程的编码方式，它使用1-4个字节表示一个符号，规则如下：

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

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

编码规则如下：

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。

 

 

ASCII GB2312 GBK GB18030的编码方法时向下兼容的。同一个字在这些方案中的编码总是相同的。越往后的标准，支持越多的字符而已。

 

而Unicode只是向下兼容ASCII，更准确的说是ISO-8859-1，与GB码不兼容。例如“汉”的Unicode编码是6c49，而GB码是baba。