字符编码ASCII、GB2312、Unicode、UTF-8——深入解析

几个值得深思的问题

1. 什么是字符？

   字符是各种文字和符号的总称，包括各个国家文字、标点符号、图形符号、数字等。

2. 什么是字符集？

   字符集是多个字符的集合，字符集种类较多，每个字符集包含的字符个数不同，常见字符集有：ASCII字符集、ISO 8859字符集、GB2312字符集、BIG5字符集、GB18030字符集、Unicode字符集等

3. 什么是字符编码？

   1、 计算机要准确的处理各种字符集文字，需要进行字符编码，以便计算机能够识别和存储各种文字。 
   2、 字符编码(encoding)和字符集不同。字符集只是字符的集合，不一定适合作网络传送、处理，有时须经编码(encode)后才能应用。如Unicode可依不同需要以UTF-8、UTF-16、UTF-32等方式编码。 
   3、字符编码就是以二进制的数字来对应字符集的字符。 因此，对字符进行编码，是信息交流的技术基础。

4. 概括

   1、使用哪些字符。也就是说哪些汉字，字母和符号会被收入标准中。所包含“字符”的集合就叫做“字符集”。 
   2、规定每个“字符”分别用一个字节还是多个字节存储，用哪些字节来存储，这个规定就叫做“编码”。 
   3、各个国家和地区在制定编码标准的时候，“字符的集合”和“编码”一般都是同时制定的。因此，平常我们所说的“字符集”，比如：GB2312, GBK, JIS 等，除了有“字符的集合”这层含义外，同时也包含了“编码”的含义。 
   4、注意：Unicode字符集有多种编码方式，如UTF-8、UTF-16等；ASCII只有一种；大多数MBCS（包括GB2312，GBK）也只有一种。

5. 有趣的例子

   1、在显示器上看见的文字、图片等信息在电脑里面，其实并不是我们看见的样子，即使你知道所有信息都存储在硬盘里，把它拆开也看不见里面有任何东西，只有些盘片。假设，你用显微镜把盘片放大，会看见盘片表面凹凸不平，凸起的地方被磁化，凹的地方是没有被磁化；凸起的地方代表数字1，凹的地方代表数字0。硬盘只能用0和1来表示所有文字、图片等信息。 
   2、那么字母”A”在硬盘上是如何存储的呢？可能小张计算机存储字母”A”是1100001，而小王存储字母”A”是11000010，这样双方交换信息时就会误解。比如小张把1100001发送给小王，小王并不认为1100001是字母”A”，可能认为这是字母”X”，于是小王在用记事本访问存储在硬盘上的1100001时，在屏幕上显示的就是字母”X”。也就是说，小张和小王使用了不同的编码表。小张用的编码表是ASCII，ASCII编码表把26个字母都一一的对应到2进制1和0上；小王用的编码表可能是EBCDIC,只不过EBCDIC编码与ASCII编码中的字母和01的对应关系不同。一般地说，开放的操作系统（LINUX 、WINDOWS等）采用ASCII 编码，而大型主机系统（MVS 、OS/390等）采用EBCDIC 编码。在发送数据给对方前，需要事先告知对方自己所使用的编码，或者通过转码，使不同编码方案的两个系统可沟通自如。

6. 这个例子说明了三点

   1、不管是任何文字图片等，最后都会以二进制的形式储存到电脑的磁盘中(比如记事本A.txt，内容为”ABC”文件，在此磁盘中表现的就是01 01这种二进制形式) 
   盘片表面凹凸不平，凸起的地方被磁化，凹的地方是没有被磁化，凸起的地方代表数字1，凹的地方代表数字0。硬盘只能用0和1来表示所有文字、图片等信息。是的 很强势 
   2、 任何文件要储存到电脑中，都会事先进行编码，然后储存到电脑的磁盘中，比如A.txt文件，默认编码为ANSI编码，也可以编码为UTF-8，然而不同的编码方式 对应着计算机用一个字节还是多个字节存储，用哪些字节来存储。 
   3、在双方数据进行通讯时，要么就保证发送方和接受方的数据编码是相同，要么就是其中一方需要转码

7. 什么是字节和位？

   字节byte和位bit是电脑里的数据量单位。 
   1.按计算机中的规定，一个英文的字符占用一个字节，而一个汉字以及汉字的标点符号、字符都占用两个字节。 
   2.1个字节等于8位 1byte=8bit 
   3.1bit在磁盘中以二进制01的形式保存 凸起的地方代表数字1，凹的地方代表数字0

字符编码种类

ASCII

ASCII码是西欧编码的方式，采取7位编码，所以是2^7=128,共可以表示128个字符，包括34个字符，（如换行LF，回车CR等），其余94位为英文字母和标点符号及运算符号等。 

重点:

字符集：从符号(NUL=”/0”=“空操作字符”）到“Z”再到“DEL”符号 
字符编码范围：二进制：00000000——01111111 十进制：0-127 
占用字节：1字节 8bit 盘片储存方式：凹凹凹凹凹凹凹凹——凸凸凸凸凸凸凸凸

注：NUL:‘\0’是一个ASCII码为0的字符，从ASCII码表中可以看到ASCII码为0的字符是“空操作字符”，它不引起任何控制动作，也不是一个可显示的字符。

但我们发现ASCII码是没有中文编码的，显然在天朝是不够用的，于是GB2312诞生了。

GB2321

GB2312 是对 ASCII 的中文扩展。兼容ASCII。

编码规定： 
编码小于127的字符与ASCII编码相同， 
特性：两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（称之为高字节）从0xA1用到0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。

字符集:从符号(NUL=”/0”=“空操作字符”）到“Z”到“齄”(简体中文） 
字符编码范围：16进制：0x0000-(中间有一部分是未使用的)-0xF7FE 
占用字节：英文 1字节 8bit 盘片储存方式：凹凹凹凹凹凹凹凹——凸凸凸凸凸凸凸凸 
中文 2字节 16bit 凹凹凹凹凹凹凹凹凹凹凹凹凹凹凹凹——…

GBK

GBK 兼容ASCLL 兼容 GB2312 是GB2312的扩展 
但是中国的汉字太多了，我们很快就就发现有许多人的人名没有办法在这里打出来，不得不继续把 GB2312 没有用到的码位找出来用上。后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 “GBK” 标准，GBK 包括了 GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。

Unicode

Unicode是国际组织制定的可以容纳世界上所有文字和符号的字符编码方案。 
目前的Unicode字符分为17组编排，0x0000至0x10FFFF，每组称为平面（Plane），而每平面拥有65536个码位，共1114112个。然而目前只用了少数平面。UTF-8、UTF-16、UTF-32都是将数字转换到程序数据的编码方案。

UTF-8

UTF-8以字节为单位对Unicode进行编码。从Unicode到UTF-8的编码方式如下： 
UTF-8的特点是对不同范围的字符使用不同长度的编码。对于0x00-0x7F之间的字符，UTF-8编码与ASCII编码完全相同。UTF-8编码的最大长度是6个字节。从上表可以看出，6字节模板有31个x，即可以容纳31位二进制数字。Unicode的最大码位0x7FFFFFFF也只有31位。 
例1：“汉”字的Unicode编码是0x6C49。0x6C49在0x0800-0xFFFF之间，使用用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将0x6C49写成二进制是：0110 1100 0100 1001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。 
举一个例子：It’s 知乎日报

你看到的unicode字符集是这样的编码表：

I 0049 
t 0074 
’ 0027 
s 0073 
0020 
知 77e5 
乎 4e4e 
日 65e5 
报 62a5 
每一个字符对应一个十六进制数字。

计算机只懂二进制，因此，严格按照unicode的方式(UCS-2)，应该这样存储：

I 00000000 01001001 
t 00000000 01110100 
’ 00000000 00100111 
s 00000000 01110011 
00000000 00100000 
知 01110111 11100101 
乎 01001110 01001110 
日 01100101 11100101 
报 01100010 10100101 
这个字符串总共占用了18个字节，但是对比中英文的二进制码，可以发现，英文前9位都是0！浪费啊，浪费硬盘，浪费流量。

怎么办？

UTF

UTF-8是这样做的：

1. 单字节的字符，字节的第一位设为0，对于英语文本，UTF-8码只占用一个字节，和ASCII码完全相同；
2. n个字节的字符(n>1)，第一字节的前n位设为1，第n+1位设为0，后面字节的前两位都设为10，这n个字节的其余空位填充该字符unicode码，高位用0补足。

这样就形成了如下的UTF-8标记位：

高位字节	低位字节	低位字节	低位字节	低位字节	低位字节
0xxxxxxx
110xxxxx	10xxxxxx
1110xxxx	10xxxxxx	10xxxxxx
11110xxx	10xxxxxx	10xxxxxx	10xxxxxx
111110xx	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx
1111110x	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx
… ….

比如”知”字 在Unicode中占用两个字节，那么第一字节(我叫它高位字节)的前两位设位1，第三位设为10，后面低位字节设为前两位设为10， “知”→ 11100111 10011111 10100101 
怎么知道“知”字占用两个字节的？首先要知道Unicode字符集中,“知”字的编码为77e5，然后转化为二进制流01110111 11100101的bit,每8bit等于1byte 所以就占两个字节 
于是，”It’s 知乎日报“就变成了： 
I 01001001 
t 01110100 
’ 00100111 
s 01110011 
00100000 
知 11100111 10011111 10100101 
乎 11100100 10111001 10001110 
日 11100110 10010111 10100101 
报 11100110 10001010 10100101 
和上边的方案对比一下，英文短了，每个中文字符却多用了一个字节。但是整个字符串只用了17个字节，比上边的18个短了一点点。 
剧透：一切都是为了节省你的硬盘和流量。

一图解忧愁

1.从这个可以看出，同样的字符集，但unicode编码和gbk编码是不同的，所以unicode字符集不兼容gbk字符集。
2.只要知道unicode字符集的编码表，就可以用UTF8编码规则找到UTF-8对应的汉字编码。