字符编码发展史（ascii、gb2312、Unicode、utf-8都是什么）

背景

---

很久很久以前，美国人发明了计算机。计算机存储数据的基本单位叫做字节，一个字节用8个位(0/1)来表示，每一位只能是0或者1。

我们知道，在人类的世界中，我们可不是活在0/1中的（程序员除外），我们常见的是各种字符，英文的、中文的...。为了把人类世界的信息存储到计算机中，编码出现了！

ASCII码

最早的时候，只有美国人在用计算机，他们需要存储自己的英文。怎么办呢？把咱们需要的字符编个码吧，一个字节有2^8=256种不同的状态，够我们美国人用啦。于是乎，ASCII码出现了（全称是 American startand code for information interchange，美国信息互换标准码），每一个固定的编号，代表一个特定的意义。

ASCII码的0-32这些状态，被称为“控制码”。（遇上0×10, 终端就换行；遇上0×07, 终端就嘟嘟叫），接下来，又把数字、空格、大小写字母一股劲的都编码，一直用到了127号（仅仅7位就够了，为了方便就一个字节表示吧）。于是美国人开心的使用起来了计算机

ISO 8859-1

正式编号为ISO/IEC 8859-1:1998，又称Latin-1或“西欧语言”

计算机好用呀，于是紧随其后的其他西方国家也用了起来。但是发现一个问题，有些西欧字符他不支持呀，怎么办呀？之前咱那个256不是才只用到127号了吗？继续编码呗，于是乎ISO 8859-1诞生了，一大众西欧国家开心的用起来了。

ISO 8859-1

GB2312

等到中国人民要使用计算机的时候，问题来了，我们的中文字符怎么编码并在计算机中使用呢？原来的一个字节已经被用光了，而且我们的象形文字至少几千个。于是乎，智慧的中国人民制定了自己的编码规定：原有的前127（0x7f）个字符编码保持不变，大于127的统统去掉。然后呢，如果两个大于127的字节在一起，就表示一个中文字符。其中前面的一个字节（他称之为高字节）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（关于高字节和低字节为何从这些数字开始，可以参考中文的区位码介绍）。       除了汉字，我们又把一些数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的”全角”字符，而原来在127号以下的那些就叫”半角”字符了。中国人民看到这样很不错，于是就把这种汉字方案叫做 “GB2312“。可以看出，GB2312 是对 最早的ASCII 的中文扩展。

GBK等

本以为万事大吉了。可是实际使用中发现，中国的文字实在太多了，有些人名字比较偏僻，那么就不在GB2312中（毕竟2312也只能表示）。于是我们又需要一大波编码。最终新的规定是：低字节不再要求必须大于127。因此看一个编码是否是中文，只要高字节大于127即可。新扩充后的中文编码集（包括繁体字和一些新的特殊服务）被称为GBK。后来又扩充了少数民族的一些文字，编码被成为GB18030。

可以看到无论是GBK、还是GB18030，又是对GB2312的扩充，对原GB2312是兼容的（及原来GB2312的编码保持不变）。最终我们把所有的这些中文字符编码标准统一称为DBCS（double byte character set，双字节字符集）。这套字符集对原有Ascii里的字符集依然用一个字节表示（小于127）。剩下的字符统一使用2个字节表示（高字节大于127）。

问题来了

通过上边我们可以看到，大部分的数据编码标准是由各国自己去制定的。如果一个国家和另外一个国家用计算机进行数据交互，就必须安装对方的编码系统，否则解析出来的数据就是我们常说的乱码。这可不行啊，怎么办呢？

---

这个时候国际标准组织ISO出来了，他决定一统天下，把全球的文字都采用统一的编码。这个编码标准就是Unicode！简称UCS（universal Mutiple-octet coded character set）。事实上，Unicode只是一种字符编号集，算是给每一个字符分配一个编号id。

Unicode编号一般使用U+,后边跟上四个十六进制的字符表示。Unicode分为USC-2和USC-4，我们常见的一般是USC-2，也就是对应USC-4中的BMP（Basic Multilingual Plane，基本平面），一共能表示6万多字。

Unicode推出的一段时间内都无法得到大规模推广，为什么呢？因为如果按照Unicode方式编码，原有的ASCII码均需要两个字节去存储，浪费了空间，因此得不到广大西方群众的支持。

UTF-8

随着互联网的产生，大家迫切需要一种无国界、省空间的编码方式来进行数据传输，于是乎 UTF（UCS Transfer Format）系列的编码产生了。为什么UTF系列编码就会得到大家的支持了？以UTF-8编码为例，UTF-8编码采用了变长编码方式，原有的ASCII码依然用一个字节存储，其他的字符使用两个、三个字节存储，尽可能的优化了编码占用的空间。目前UTF-8是互联网中最为流行的编码方式。

to be continue

参考文章

https://www.zhihu.com/question/23374078/answer/69732605