`
haoran_10
  • 浏览: 444265 次
  • 性别: Icon_minigender_1
  • 来自: 上海
社区版块
存档分类
最新评论

计算机字符编码从0/1到UTF-8

阅读更多

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。

4
1
分享到:
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

相关推荐

    UTF-8汉字码表.txt

    其中,UTF-8(8位通用转换格式)是一种可变长度的字符编码,它兼容ASCII,并且能够表示Unicode标准中的所有字符。在给定文件“UTF-8汉字码表.txt”的描述中提到的“utf-8中文汉字编码表”,主要关注的是如何用UTF-8...

    UTF-8 汉字码表

    这意味着,对于ASCII码范围内的字符(即从0到127的字符),在UTF-8中它们仍然只占用一个字节,且二进制表示与ASCII相同。这种兼容性使得UTF-8能够在继承ASCII优点的同时,拓展对全球各种语言的支持。 #### 汉字在...

    unicode/UCS/UTF-8/Base64/ANSI等编码介绍

    UTF-8是Unicode的一种变体,它是一种变长编码方式,根据字符的不同,使用1到4个字节来表示。UTF-8的一个重要特性是对ASCII字符的兼容性,前128个字符(即ASCII字符)在UTF-8中只需一个字节,这就使得ASCII文本在UTF-...

    汉字字符编码(utf-8 unicode gb2312)

    汉字字符编码是计算机处理汉字时的关键技术,涉及到不同的编码标准,如UTF-8、Unicode和GB2312。这些编码方式各有特点,各有应用场景,理解它们有助于在处理中文字符时避免乱码问题。 首先,让我们来详细了解这些...

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

    4. **UTF-8**:Unicode Transformation Format - 8-bit,是Unicode的一种变长字符编码,使用1到4个字节表示一个字符。 5. **GBK**:全称为GB2312-80的扩展版,是中国大陆地区制定的汉字编码标准。 6. **GB2312**:...

    UTF-8转ANSI文本文件转换器

    综上所述,"UTF-8转ANSI文本文件转换器"涉及到了字符编码的基础知识、编码转换的原理以及批量处理和代码设计的实践。理解和掌握这些知识点,对于处理文本文件编码问题、开发相关工具或理解软件内部工作流程都...

    utf-8 互转 gb2312 转码

    对于中文等其他语言,UTF-8使用1到4个字节来表示一个字符,使得它能够处理世界上几乎所有的语言文字。 GB2312,全称为“汉字机内码交换码”,是中国大陆早期的简体中文字符编码标准,主要用于早期的计算机系统和...

    GB/BIG5/UTF-8 文件编码批量转换工具

    由于其广泛支持和跨平台兼容性,UTF-8已经成为互联网上最常用的字符编码。 在处理不同编码格式的文件时,可能会遇到乱码问题。例如,一个GBK编码的文件如果用UTF-8方式打开,可能会出现无法识别的字符。此时,就...

    字符编码转换(GB2312,UTF-8,UNICODE)

    对于其他Unicode字符,UTF-8使用1到4个字节,使得在处理英文为主的文本时效率较高。 3. UNICODE编码:Unicode,也称为UCS(Universal Character Set),是一种国际标准,旨在统一全球所有文字的编码。它将所有字符...

    批量转 GBK 转 UTF-8 gb2312 Iso-8959-1 转 UTF-8

    1. 网站迁移:当网站从旧的编码标准迁移到UTF-8时,需要转换数据库和静态文件的编码。 2. 文档整理:在处理多来源的文档集合时,统一编码格式便于管理和阅读。 3. 国际化项目:在开发多语言软件时,使用UTF-8可以...

    ASCII 及UTF-8 与字符互相转换

    ASCII 和 UTF-8 是两种广泛使用的字符编码标准,它们在计算机科学中扮演着重要的角色,尤其是在文本处理和数据传输方面。这两个编码系统都是为了将人类可读的字符转化为计算机可以理解的形式,但它们的设计和使用...

    多字节与UTF-8、Unicode之间的转换

    2. **UTF-8**:UTF-8是一种可变长度的字符编码,它可以用于编码所有Unicode字符,并且兼容ASCII编码。对于英文等使用较少字节就能表示的文字,UTF-8非常高效。 3. **Unicode**:Unicode是一种标准,旨在为世界上所有...

    VB6.0 UTF-8转换GB2312函数

    在VB6.0编程环境中,有时我们需要处理不同字符编码之间的转换,例如将UTF-8编码的字符串转换为GB2312编码。UTF-8是一种广泛使用的Unicode编码,而GB2312是中国大陆常用的简体中文字符集,主要用于早期的计算机系统。...

    字符集Unicode与UTF-8之间的转换

    然后,按照UTF-8的方法进行转换,可以将Unicode二进制从低位往高位取出二进制数字,每次取6位。 VC++实现Unicode到UTF-8的转换 在VC++中,可以使用如下代码实现Unicode到UTF-8的转换: ``` const wchar_t pUnicode...

    UTF-8编码转换器

    UTF-8编码是一种广泛使用的字符编码标准,它在信息技术领域起着至关重要的作用。这个“UTF-8编码转换器”工具旨在帮助用户方便地将文本数据从其他编码格式转换为UTF-8,确保数据在不同系统和平台之间的兼容性。 在...

    js gb2312和utf-8互转

    由于直接的UTF-8到GB2312的转换较为复杂,通常的做法是先将UTF-8字符串转换为Unicode格式,然后再从Unicode转换为GB2312。具体实现可以参考相关库或者利用现有的工具函数完成这一过程。 通过上述步骤,我们可以在...

    UNICODE与UTF-8转换

    1. **UNICODE到UTF-8**:将UNICODE码点转换为UTF-8字节序列。对于每个码点,计算其在UTF-8中的表示形式,然后按字节顺序存储。 2. **UTF-8到UNICODE**:解析UTF-8字节序列,根据字节的最高位判断字符的长度,然后将...

    字符编码笔记:ASCII,Unicode和UTF-8

    ### 字符编码笔记:ASCII,Unicode和UTF-8 #### 1. ASCII码 ...从最初的ASCII编码到如今广泛采用的UTF-8,字符编码技术的演变不仅解决了多语言文本的处理难题,也为全球信息交流提供了坚实的基础。

    UTF-8 编码转换工具

    UTF-8编码是一种广泛使用的字符编码标准,尤其在网络和计算机系统中扮演着核心角色。它能够表示Unicode字符集中的所有字符,包括世界各地的各种语言。UTF-8的优势在于其兼容性和效率,不同平台和语言通常都能无缝...

    易语言将文本转换为UTF-8码

    UTF-8是一种广泛使用的Unicode字符编码方案,它可以表示Unicode字符集中的所有字符。与GBK等其他编码相比,UTF-8在全球化和互联网应用中具有更好的兼容性和扩展性。在易语言中,实现文本到UTF-8的转换通常需要通过...

Global site tag (gtag.js) - Google Analytics