计算机字符编码从0/1到UTF-8

在计算机内部，所有的信息终于都是表示为0和1去展示，但是如何表达出那么多的字符呢？

一、二进制位（bit） 
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。

二、字节（byte） 
通过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。

三、ASCII码 
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 
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。

四、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。比如拉丁文中的α，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。 
（1）、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。 
（2）、至于亚洲国家的文字，使用的符号就更多了，比如我们的汉字就多达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。

所以又有了一些新的编码方式。 
比如简体中文常见的编码方式是GBK和GB2312，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。

但是问题来了，各种各样的编码方式，太多了，需要一种统一的方式来兼容各种文字和符号。

五、Unicode字符集 
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。

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，不像ASCII编码，GB2312编码，都是和每个字符集表一一对应的，Unicode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。

六、UTF-8编码 
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（字符用两个字节或四个字节表示）和UTF-32（字符用四个字节表示），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字符集编码实现方式之一。 
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。

评论

3 楼 haoran_10 2016-06-26  

gegewuqin9 写道

不知道是不是这个意思
01111111表示一个字节的utf－8字符
1101011111111111表示一个二个字节的utf－8字符，它的unicode码是11111111111
111010111111111111111111表示一个三个字节的utf－8字符，它的unicode码是111111111111111111
...

很对，要理解变长表达UTF-8的思想算法

2 楼 gegewuqin9 2016-06-25  

不知道是不是这个意思
01111111表示一个字节的utf－8字符
1101011111111111表示一个二个字节的utf－8字符，它的unicode码是11111111111
111010111111111111111111表示一个三个字节的utf－8字符，它的unicode码是111111111111111111
...

1 楼 somefuture 2016-06-24  

好棒，再多一些介绍就好了