字符编码

ASCII码、Unicode码、UTF-8分别代表什么意思？

我们只搞清一下大概基本原理。

总结：

        这些编码规则的存在，都是为了统一字符和字节的转化规则，就像一本字典(不用逻辑，统一规定的规则)。首先有ASCII码，Unicode码是ASCII码的扩展，UTF-8是为了解决Unicode码的问题(如何区别多个字节和单个字节) 而存在的 基于Unicode码再进行转码的规则。

开始：

        我们知道，计算机内部，所有信息最终都是一个二进制值。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(2^8)，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00000000到11111111。

        为了将我们的语言(中文、英文)在网络上进行传播，需要先把语言和字节对应起来，然后进行编译传输，最后再反编译显示在网络上让大家看到。

先出来ASCII码

        美国先定制了一套字符编码，对英语字符与字节之间的关系，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，最前面的一位统一规定为0。    

ASCII码不够用，出现非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。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。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。

非ASCII编码还是不够用，出现Unicode码

        但是，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 256 x 256 = 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。）

        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。它仅仅只是一个字符集字典，规定了符合对应的二进制代码，至于这个二进制代码如何存储则没有任何规定。它的想法很简单，就是为每个字符规定一个 用来表示该字符的数字，仅此而已。

Unicode码出现的问题

       问题： 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？

        解决办法？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。

        所以它造成的结果是，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。2、Unicode 在很长一段时间内无法推广，直到互联网的出现。

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 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。

Unicode 与 UTF-8 之间的转换        

下表总结了UTF-8编码规则，字母x表示可用编码的位。

        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。

        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。

UTF-16

        UTF-16，就是任何字符都用两个字节来保存。

        如果编码的内容全是英文字符，这就有点浪费.因为明明用一个字节能表示一个字符为啥却用两个字节表示。所以，如果编码内容是 全英文 或 中英文混合且英文占大多数的，就用UFT-8编码模式比较好。

        内容中文比较多时，用UTF-16编号比较好，省内存。（UTF－8虽然会根据字节大小进行编码成 可识别的不同字节的二进制码 ，但这个识别的过程，是需要内存的。）