字符编码

计算机如何处理字符

因为计算机只能处理数字，如果要处理文本，就必须先把文本转化为数字才能处理。最早的计算机在设计时采用8个bit作为一个字节(byte)，所以，一个字节能表示的最大的整数就是255(二级制11111111)，如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是2^{16-1=65535,4个字节可以表示的最大整数是2}32-1=4294967295。

字符编码大乱斗

由于计算机是美国人儿发明的，因此，最早只有127个字母被编码到计算机里面去，也就是大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母a的编码是97。
但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以中国制定了GB2312编码，用来把中文编进去。
你可以想象得到的是，世界上有上百种语言，日本把日文编到Shift_JIS里，韩国把韩文编到Euc_kr里，各国有各国的标准，就会不可避免地出现冲突，结果就是多语言混合的文本中，显示出来会有乱码。

字符编码大统一

因此，Unicode应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。
Unicode标准也在不断发展，但最常用的是用两个字节表示一个字符(如果要用到非常偏僻的字符，就需要四个字节)。现代操作系统和大多数编程语言都直接支持Unicode。

现在，捋一捋ASCII编码和Unicode编码的区别：ASCII编码是一个字节，而Unicode编码通常是两个字节。
举个栗子
字符0,用ASCII码是十进制的48，二进制的00110000，注意字符0和整数0的区别。
字符0，用Unicode编码只需在前面补零就可以了，即二进制00000000 00110000.
汉字中，已经超出了ASCII码的范围，用Unicode编码是十进制的20013，二进制01001110 00101101。

新的王者UTF-8

新的问题又出现了：
如果统一成Unicode编码，乱码问题从此消失了。但是如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上很不划算。
所以本着节约的精神，又出现了把Unicode编码转化为“可变长编码”的UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成了1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间。

字符A
ASCII：01000001
Unicode：00000000 01000001
UTF-8：01000001
字符中
ASCII：没有NON
Unicode：01001110 00101101
UTF-8:11100100 10111000 10101101

从上面的表格可以看出，UTF-8编码有一个额外的好处，就是ASCII编码实际上可以被看做是UTF-8编码的一部分，所以，大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。

字符编码工作方式

计算机系统通用的字符编码工作方式：
在计算机内存中，统一使用Unicode编码；
当需要保存到硬盘或者需要传输的时候，就转换成UTF-8编码。

用记事本编辑的时候，从文本读取的UTF-8字符被转换为Unicode字符到内存里；
编辑完成后，保存的时候再把Unicode转换为UTF-8编码。
因此，我感觉，显示看到的都是UTF-8，在内存中的都是Unicode。

总结

1. 计算机只能处理数字，文本需转化成数字再处理；

2. 美国人发明了ASCII编码来编码字母、数字和符号；
3. 中国人发明了GB2312编码来处理汉字的编码；
4. 为了解决多语言的编码冲突，创造了Unicode编码；
5. Unicode编码把所有语言都统一到一套编码里；
6. 为了节约资源，创造了UTF-8编码；
7. ASCII编码是UTF-8编码的子集；
8. 显示看到的都是UTF-8，在内存中的都是Unicode。