字符编码笔记:ASCII,Unicode 和 UTF-8 的区别

字符编码笔记:ASCII,Unicode 和 UTF-8 的区别

什么是字符集?

计算机发明出来后,科学家们遇到了一个问题,他们不知道该怎么将现实生活中的符号存储进计算机中。后来,他们想出了构建一个字符集的方法,也就是给每一个符号都匹配一个二进制数。

这样存储字符时,就可以通过查阅字符集得到对应的二进制码,将其存储在存储设备中。读取数据时,同样是查阅字符集得到二进制码对应的符号,然后将符号输出。这样一个字符集完美构建了字符和二进制之间的关系。

有图有真相,展示下最常见的 ASCII 码表吧。

字符编码笔记:ASCII,Unicode 和 UTF-8 的区别_第1张图片

ASCII 码

这是美国人制定的一个只支持英文字母还有少许特殊字符的一个字符集。一共有 128 个字符,上图已经展示了对应关系了。

ASCII 表中,每个字符只占一个字节,且字节的第一位固定位 0 ,因为 7 位就能够表示 128 个字符。如字母 A 对应的二进制形式是 01000001 。

非 ASCII 码

对于非英语的国家,128 个字符无法表示他们的语言,这时候开始把前面闲置的一位也给用上了,倒是能解决一些问题。但还是不够用,比如中文远远不止 256 个字符,这时候就要寻求更高端的字符集了。

然后各个语言都给自己配置了一套字符集,但这些字符集互相都不兼容,你不认识我,我不认识你。还是拿中文举例,早先出现了 GB2312 码,它在兼容了 ASCII 码的情况下,加入了六千多个汉字,可是中文哪里只有这么点汉子呢?后来又出现了兼容 GB2312 的 GBK 编码。所以,以后遇到 GB2312 和 GBK 码就不用再迷糊了。

这时候 ISO 则发布了一款包含所有语言字符的一个字符集 unicode 。

Unicode 字符集

它给每一个字符都规定了对应的二进制数,但是很多字符的二进制码位数是不同的,比如,汉字”严”的 unicode 是十六进制数 4E25 ,这需要两个字节,而如字母 A 对应的二进制形式是 01000001 ,这只需要一个字节。

unicode 存在严重的两个问题。第一,如果统一字符存储的长度,势必会造成很大的存储资源浪费。第二,在解码时,怎么判断是一个字节表示一个符号,还是两个字节,甚至更多字节呢?

基于这样的问题,所以 unicode 码只给出了每个字符对应的二进制码,并没有规定应该用多少个字节去存储它。相当与 Java 中的接口,制定了规范。

UTF-8 字符集

互联网的普及,强烈要求出现一种统一的编码方式。utf-8 应运而生,它就是 unicode 的其中之一的实现方式,相当于 unicode 接口的实现类。

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。这样就直接解决了统一长度造成的大量存储资源浪费的问题,按需分配嘛。

那它是如何解决读的问题呢?解决方法如下

unicode 完全兼容 ASCII 码,对于这部分字符,首字母为零,后七位为对应的二进制码。如字母 A 对应的二进制形式是 01000001 。

对于需要占据 n 字节的符号,它第一个字节的前 n 位规定为 1 ,第 n+1 位规定为 0 ,后面 n -1 个字节的前两位一律规定为 10 。例如,“严” 的 unicode 是 4E25(100111000100101),根据 utf-8 的实现方式, “严” 的 UTF-8 编码需要三个字节,即格式是 “1110xxxx 10xxxxxx 10xxxxxx ” 。

然后,从字符对应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 。所以,”严”的 UTF-8 编码是 “11100100 10111000 10100101”。

读取时,自动忽略这些固定的描述信息后,再查看 unicode 规定的字符规范,就可以得到对应字符了。

总结下就是,ASCII 只适用于英语,而实现了 unicode 编码的 utf-8 适用于所有的语言符号,且兼容 ASCII 码,所以以后所有涉及编码的问题,都指定为 utf-8 哦。

你可能感兴趣的:(计算机基础)